看懂日报 · 2026 年 10 月 6 日 · 星期二
kandong
Hinton 等发布 RSI 论文探讨 AI 研发自动化引发智能爆炸风险
Geoffrey Hinton 与 Yoshua Bengio 等 22 位学者联合发表论文,警示 AI 研发自动化可能触发智能爆炸。同日,RSNA 发布包含全球 7202 个影像系列的颅内动脉瘤数据集,为医学视觉提供新基准。
具身智能
QueryArt:基于单图与查询点的连杆参数估计方法
论文提出 QueryArt 模型,能够从单张 RGB 图像、二维查询点和相机内参中估计连杆几何参数。该方法将分割与估计解耦,通过查询点深度测量恢复度量尺度,在合成与真实数据混合训练后,于移动机械臂的 57 次操作任务(涵盖 16 个部件和五类视角)中达到 70.2% 的成功率,并优于近期基线。代码与视频已公开。
IG-VLA:通过内部化时空想象实现高效 VLA 推理
针对现有视觉语言动作(VLA)模型缺乏显式未来场景推演的局限,本文提出 IG-VLA 框架。该方法利用潜在时空推理在视觉表征空间直接学习任务相关的未来演变,并通过场景 gist 记忆将推理结果压缩为紧凑令牌以绕过昂贵的像素级视频生成。
EyeRobot 2.0:无需腕部相机的主动注视精准操作框架
本文介绍 EyeRobot 2.0 框架,通过旋转两个“眼睛”视点进行主动注视,将计算资源集中于任务相关特征,从而仅用单台双目相机实现精细的双手操作。研究在真实世界和仿真环境中收集了遥操作数据,并在超过 1000 次物理试验中验证:相比被动立体视觉方案,该框架在真实场景成功率提升 40%,当抓取物体遮挡腕部相机时表现更优,接近甚至超越依赖腕部相机的策略。
Keep the Effect, Drop the Actor:可编程效果 - 执行世界动作模型
arXiv 论文介绍 PEWAM 模型,该模型将机器人演示中的物体变化编译为独立于操作臂的效果程序(3D 关键点轨迹、持握点及终态配置)。在 LIBERO-Goal 任务中,基于单一演示的程序完成 40/90 集数,优于目标图像或语言条件的方法;在 Meta-World 部分类别上超越现有最佳结果。该程序支持人工编辑(平移终端状态、旋转接触点),且无需重训练即可在四款机械臂上运行。
触觉好奇心驱动机器人交互:TacEx 框架及触觉驱动数据集
论文提出 TacEx 框架,将触觉反馈纳入基于认识不确定性的探索机制中,使机器人在无任务奖励或专家演示的情况下发现复杂的接触动力学并掌握操作技能。研究构建了通过该框架收集的密集交互数据集,支持下游抓取策略的离线学习;同时利用触觉驱动探索对预训练的视觉语言动作模型进行后训练,显著提升了下游性能且保持高样本效率。材料为 arXiv 预印本,处于审稿中。
Screw Attention:Transformer 内的刚体力学代数方法
论文提出 Screw Attention,这是一种将两物体间的相对位姿与关节螺旋量作为空间变换而非图边嵌入的 Transformer 层。该方法在 LIBERO-Spatial 基准上,仅用 16k 参数从物体位姿训练的策略达到 97.3% 成功率,优于同规模及参数量大 27 倍的扁平网络。
CriticHack:评估机器人策略优化下的视觉奖励风险
该研究指出,学习到的视觉奖励模型在优化机器人策略时,可能同时提升任务成功率与错误对象失败率,导致监控信号失真。通过在抽屉操作任务上微调扩散策略并对比不同训练信号,实验证实了这种放大效应源于特定分布偏移,且现有成功终止配方存在继承性误差。作者提出冻结结果验证器可将优化导向正确目标。
RoboBridge:一种用于 Sim-to-Real 迁移的自我进化具身智能体框架
该论文提出了 RoboBridge 框架,旨在解决将具身智能能力从仿真环境迁移到现实世界并支持部署后持续适应的挑战。框架将任务知识表示为连接意图、观测、工具操作和结果验证的程序,利用预训练的视觉语言动作策略作为可复用的行动工具,并通过推理时间引导增强执行能力。
世界模型与仿真
Spatial Memory Intelligence:赋予世界模型以理解驱动的长期记忆
这篇论文提出了 Spatial Memory Intelligence (SMI),这是首个系统性地利用理解模型来管理长视频世界模型中空间记忆的框架。针对记忆序列增长和结构复杂化的挑战,SMI 引入了四个协同的原子操作:空间聚类、簇内稀疏化、动作感知检索以及可靠性感知过滤。实验表明该方法在多种基线、基准和世界模型骨干网络上均有效,显著提升了记忆稀疏度、生成稳定性和空间一致性。
AVL-JEPA:防止联合嵌入预测架构世界模型中的因果动力学信息坍塌
针对 JEPA 在保留高维视觉信息时易丢失动作物理后果信息的失效模式,提出动作锚定与视觉不变性路径的改进方案 AVL-JEPA。该方法利用执行动作作为动力学锚点,并通过对齐扰动与清洁潜变量预测来强制模型理解因果动力学信息。
DriftWorld:基于漂移生成的快速世界建模
论文介绍 DriftWorld,一种基于漂移生成模型的行动条件世界模型,旨在解决扩散模型因多步迭代去噪而成本高昂的问题。该模型在训练中学习条件漂移,推理时仅需单次前向传播即可为给定动作序列生成未来观测。
Platonic Task Arithmetic:一种跨架构的任务向量算术方法
该论文提出‘普朗图任务算术’框架,通过引入与架构无关的‘通用任务描述符’矩阵,实现不同预训练模型间任务更新的传输与组合。实验在六种模型家族、八个任务及音频文本模型上验证,显示跨模型转移能保留目标模型自身描述符所得增益的 74% 至 80%,支持通过最小二乘法求解线性算子或低秩适配器进行实现。
计算机视觉
Contextual Flow Matching:面向高效视觉生成的流模型自适应步长选择
论文提出 COFLOW 方法,在推理阶段根据提示词特征自适应选择生成步数,平衡效率与质量。该方法无需重训底层生成模型,支持图像和视频生成,实现超过 2.5 倍加速且保持感知和语义质量。研究提供了理论分析,证明在标准正则性条件下前向欧拉离散化误差界为 O(1/K)。材料来源于 arXiv 预印本,已获 NeurIPS 2026 接收。
COSMI:一种基于组合合成的多对象交互生成方法
针对现有多对象交互数据集采集成本高昂的问题,该研究提出 COSMI 方法,利用单对象捕捉片段通过镜像、转移及语言与几何一致性检查进行组合合成,构建了包含 22.2 万序列和 275 小时视频的多对象交互数据集。基于此数据训练的文本到交互扩散模型在未见对象与交互组合的基准测试中展现出优异的泛化能力,且在文本对齐与接触精度上优于基线方法。代码、模型及数据处理管线将在项目页面发布。
仅需微小改动即可改写感知:VLM 中的目标语义替换研究
该预印本论文针对视觉语言模型(VLM)在安全关键场景下的鲁棒性提出质疑。研究发现,即使在极小的扰动范围(ε≤4/255)内,通过白盒威胁模型下的对齐策略,也能成功实现目标图像的语义替换。
从修补到剪枝:视觉语言模型中的视觉计算优化方法
论文提出无需训练的 Patch-to-Prune (P2P) 框架,利用激活修补技术识别并替换 VLM 解码器中可被固定中性代理向量替代的区域,从而绕过冗余的视觉计算。
ManifoldSplat:首个面向可动 3D 高斯头像的语言引导语义形状编辑框架
ManifoldSplat 是首个端到端框架,支持对由单目视频重建的可动 3D 高斯 Splatting 头像进行语言引导的语义形状编辑。该方法通过在结构化 FLAME 流形内执行编辑而非直接优化非结构化高斯云,严格保留了身份特征与动画能力。
DEPICT:基于答案一致性的图文对齐评分方法
针对图文生成模型评估中现有方法依赖固定参考答案或微调的局限,论文提出 DEPICT 这一无需训练的指标。该方法通过比较图像基与文本描述各自生成的答案之间的预期一致性来替代固定参考,并根据文本对问题的决定性程度加权问题权重,从而将否定词识别准确率从 19% 提升至 88%。
RSNA 颅内动脉瘤 (RSNA-ICA) 数据集发布
RSNA 联合多家学会发布了 RSNA-ICA 数据集,包含来自全球 21 家机构的 7202 个 CTA、MRA 和 MRI 影像系列。该数据集涵盖有瘤与无瘤患者,提供病灶存在性标注及位置信息,其中 178 个系列包含三维分割数据。5041 个系列已通过 MIRA 公开供非商业研究使用,旨在推动基于 AI 的动脉瘤检测技术在血管造影及常规神经影像中的应用。
高光谱图像模型 PyTorch 库技术报告
针对高光谱遥感领域碎片化严重、张量规范不兼容及评估非标准化的问题,该工具通过模块化框架统一了涵盖 CNN、ViT、Mamba 等六种范式的 55 个代表性模型。
快讯
- FastOPD:面向轻量级 VLA 部署的同策略蒸馏方法arXiv · 机器人与计算机视觉
- KungfuAthleteBot:从视频学习高动态人形运动及统一鲁棒恢复arXiv · 机器人与计算机视觉
- 基于视频的原生动作先验学习用于世界动作模型arXiv · 机器人与计算机视觉
- I2CD:基于单张 RGB 图像的图像到凸体分解方法arXiv · 机器人与计算机视觉
- XGenAct:基于跨任务生成的几何增强世界动作模型arXiv · 机器人与计算机视觉
- GlanceWAM:一种稀疏测试时想象的行动世界模型arXiv · 机器人与计算机视觉
- A Change of Frame Makes the Capture Point Proprioceptive: Distillation-Free Humanoid Single-Leg BalancearXiv · 机器人与计算机视觉
- Find Something You Can't Do:面向自改进 VLA 模型的代理式现实世界强化学习arXiv · 机器人与计算机视觉
- AR-WAM:一种面向机器人操作的视觉条件化世界动作模型arXiv · 机器人与计算机视觉
- 重新思考用于组合式与上下文机器人操作的世模动作模型arXiv · 机器人与计算机视觉
- OpenRUA:机器人使用智能体是零样本视觉运动策略arXiv · 机器人与计算机视觉
- 基于关键时间高斯过程回归的事件相机立体视觉里程计arXiv · 机器人与计算机视觉