跳到正文
2026 年 10 月 11 日 · 星期日每天 08:00 出刊

看懂日报 · 2026 年 10 月 11 日 · 星期日

kandong

第 6 期112026 年 10 月星期日
15件大事3个来源0件一手发布约 5 分钟读完
头条

星动纪元VPP2世界动作模型登顶RoboDojo榜单并开源

星动纪元自研的世界动作模型VPP2在RoboDojo仿真榜单综合平均成功率与得分两项指标均居第一,其泛化与精细操作能力领先。该模型采用视频预测与动作学习分阶段训练策略,未依赖额外数据或外挂增强手段,代码已开源。

量子位原文
01

具身智能

arXiv · 机器人与计算机视觉

NavGPT-3:利用上下文构建分层导航运行时

论文介绍 NavGPT-3,这是一个连接高层语言模型推理与底层物理控制策略的运行时系统。其核心包含基于长视界强化学习的语言模型(NavGPT VLA)和 OS 类调度器,支持线程化运行、工具调用及中断切换以应对突发环境变化。

arXiv · 机器人与计算机视觉

VioLA:从人类数据中学习通用类人机器人控制策略

论文介绍 VioLA,一种通用类人机器人策略,通过预测身体和手部运动潜变量而非关节命令来规避动作空间耦合问题。该方法利用预训练控制器执行潜变量,并将人类与机器人运动映射至同一潜在空间,从而直接使用 1.406 亿帧(其中 93.2% 为人类演示)的数据进行训练。

arXiv · 机器人与计算机视觉

TacHair:一种用于机器人头发梳理的触觉接触分布引导在线修正方法

针对变形物体(如头发)在末端执行器上漂移导致局部交互困难的挑战,该研究提出了 TacHair 框架,将高分辨率触觉观测表示为空间头发接触分布。该方法结合视觉 - 触觉模仿策略生成名义动作,并通过独立训练的残差模块进行局部接触偏差修正,实现了任务推进与接触恢复的分离。

arXiv · 机器人与计算机视觉

当聆听变得更容易:为免捷径的视觉语言动作模型去除视觉线索

针对机器人学习中利用视点或背景等无关特征进行捷径学习的普遍问题,本文提出任务清洗方法。该方法基于域对抗训练,无需策略 rollout 即可通过动作边距指标评估不同视觉语言模型骨干对视觉捷径的易感性,并有效降低其对视觉捷径的依赖以提升分布外鲁棒性。

arXiv · 机器人与计算机视觉

OmniHOI:基于单目视频的人手物灵巧交互研究

论文提出 OmniHOI 管线,将单目 RGB 视频中的人手物交互转化为具身智能机器人的高保真执行轨迹。该方法通过图像证据重建、接触几何重定向及物理闭环优化三个阶段强制物理一致性,避免误差累积。

arXiv · 机器人与计算机视觉

Cross-Embodiment Robot Foundation World Models with Latent Actions 论文发布

该研究针对机器人本体多样性导致的世界模型难以跨形态泛化的问题,提出了基于潜在动作条件的机器人世界模型(LAC-WM)。该方法在统一的潜在动作空间内运行,相比显式动作条件模型(EAC-WM),能显著提升下游灵巧操作任务及 LIBERO 基准的性能。

02

世界模型与仿真

Hugging Face Daily Papers

MiMo-V2.6:扩展强化学习迈向自我改进

该报告由小米 LLM-Core 团队发布,介绍了 MiMo-V2.6 系列全模态模型,旨在通过扩展强化学习(RL)计算规模推动大模型智能边界。在预训练混合-SWA 架构基础上,报告详细阐述了三个维度的 RL 扩展策略:更大批次与吞吐量、涵盖代码/通用/视觉/网络域的复杂环境以及更强大的评估器计算。

量子位

MirroS发布AgentGarten:代码造世界,扩散绘现实

MirroS团队发布AgentGarten,将可执行的代码环境与实时神经渲染器连接,实现超过30 fps的吞吐。系统通过代码裁决物理规则以避免幻觉,利用神经模型生成逼真视觉反馈,支持智能体在捉迷藏、陪伴小狗等场景中通过自我博弈与复盘手册快速掌握策略。项目提供技术报告、博客及GitHub仓库链接。

arXiv · 机器人与计算机视觉

Memento 3:基于反思规则书的模型驱动递归自我改进

论文介绍 Memento 3,使冻结的大语言智能体能通过外部自然语言规则书持续学习显式世界模型并编译为可执行代码。系统通过观察、反思、修订规则、编译和验证的循环,利用预测误差在保持底层大模型固定的前提下实现递归自我改进。

03

计算机视觉

arXiv · 机器人与计算机视觉

SPLIT-RL:基于主张级优势的阶段性感知 - 语言推理训练方法

针对视觉语言推理中感知与推理能力混淆的问题,本文提出 SPLIT-RL 分阶段后训练框架,将视觉推理与语言推理拆解为独立优化阶段并引入主张级优势计算。在 Qwen3-VL 和 InternVL3.5 等模型上,该方法相比标准 GRPO 平均提升准确率 1.4 至 6.1 个百分点,且能同时改善感知与推理能力。

arXiv · 机器人与计算机视觉

Less from More:基于稠密参考的稀疏视频推理强化方法 SAVER

该论文提出 SAVER 框架,挑战了“更多时间观测即更可靠”的假设,主张在有限证据下学习可靠推理。SAVER 采用从稠密到稀疏的后训练策略,利用稠密视图作为训练时的参考来优化稀疏帧推理,结合定位奖励和可靠性门控参考奖励。

arXiv · 机器人与计算机视觉

GHARP:基于大规模重建先验的实时高斯头部动画方法

论文 GHARP 提出一种从少量输入图像和驱动表情信号生成实时 3D 人头的动画方法。该方法将任务分解为离线构建身份表示和运行时预测残差两个阶段,在预训练重建模型的语义潜空间中进行操作,实现了高保真与低算力的平衡。

arXiv · 机器人与计算机视觉

条件残差预测:无需双向教师的自回归视频扩散改进

该论文针对因果视频扩散模型质量低于双向模型的问题,提出条件残差预测(CRP)方法,使模型仅利用过去无法提供的信息来补充当前输入。实验显示该方法在无需大尺寸教师或复杂蒸馏的情况下,将因果模型与双向模型的VBench差距从6.14分缩小至约0点。作者据此训练了2B参数的Optica模型,该模型可自回归生成5秒480p视频,在仅使用约1500万训练视频时达到82.78的VBench分数。

04

快讯

(本期完)

看懂 日报由编辑系统根据公开来源自动编辑,每条均附原文 · 日报合订本