2026 年 10 月 17 日 · 星期六物理AI · 每日要闻每天 08:00 出刊
看懂日报 · 2026 年 10 月 17 日 · 星期六
kandong
第 10 期172026 年 10 月星期六
十月本月 24 期
一二三四五六日
6件大事4个来源2件一手发布约 2 分钟读完
头条
MSP:一种无需成对跨模态数据的多模态大模型训练方法
该论文提出了 Modality Self-Play (MSP) 框架,旨在解决对齐多模态数据集昂贵且难以扩展的问题。该方法利用代理文本描述作为未见模态的语义桥梁,使模型在仅观测到真实锚点模态(如图像或音频)及伴随的代理描述的情况下,无需真实的成对非文本监督即可实现零样本跨模态组合与推理。
智能驾驶
Torc:超越模仿学习,自博弈强化学习赋能端到端自动驾驶
Torc Robotics 与 Mila、NYU 合作发表论文,展示如何用自博弈强化学习训练从相机图像驱动的端到端模型。方法先利用简化渲染器 Gigapixel(单卡 A100 每秒约 5 万步)训练结构化输入的强化学习教师策略,再通过 DAgger 蒸馏至相机学生策略并适配真实感知。
Waymo 正式进军加拿大多伦多,目标 2028 年开启自动驾驶网约车服务
Waymo 官方宣布正式进入加拿大,计划在多伦多开展完全自动驾驶网约车服务,预计 2028 年迎来首批乘客。目前车辆将在当地进行手动驾驶测试,以配合高精度地图绘制和驾驶员验证工作。
具身智能
Gemini 4 Argon 智能体团队在 Minecraft 中实现端到端自主通关
该研究将四个 Gemini 4 Argon 智能体置于受控的 Minecraft 生存世界,赋予其唯一目标:击败末影龙。每个智能体通过开源库 Mineflayer 控制玩家,利用游戏内聊天和共享记忆进行协作,未分配角色或编写游戏逻辑。
计算机视觉
MaLoW:一种将长期历史内化为权重的流式视频处理框架
针对流式视觉语言模型需整合历史信息且保持对当前观测响应的挑战,本文提出 MaLoW 框架,利用循环超网络将视频观测增量整合为固定大小的 LoRA 权重,从而以参数形式携带历史信息而非占用上下文。
MJev-Spatial:基于原生注意力匹配的系统一空间智能模型
针对视觉语言模型在空间关系判断、距离测量和物体定位等任务中需进行自由文本生成且效率低下的问题,本文提出 MJev-Spatial 系统一多模态决策模型。该模型将候选选项视为类别,利用骨干网络预训练查询和键投影直接打分,无需增加参数即可处理选择、数值预测和点预测三类空间理解任务。
快讯
- Dexterity from Supervised Play:基于监督玩耍的灵巧操作框架arXiv · 机器人与计算机视觉
- CoDA:数据引擎与动作策略的协同进化框架arXiv · 机器人与计算机视觉
- 机器人策略应学习预测什么:重新审视 VLA 中的监督目标arXiv · 机器人与计算机视觉
- P^3-WAM:面向第一人称灵巧操作的统一世界动作模型arXiv · 机器人与计算机视觉
- LIBERO-PeRM:个人化机器人操作基准评测arXiv · 机器人与计算机视觉
- FDE-Gym:AI 交付的最后一步——揭示真实客户交付中的能力缺口Hugging Face Daily Papers
- Speculative Forcing:一种用于高效自回归视频生成的推测性强制框架Hugging Face Daily Papers
- 面向自适应 VLA 动作分块执行的策略对齐预测验证方法arXiv · 机器人与计算机视觉
- Seeing Both the Forest and the Trees: Reusing Holistic 3D Priors for Part-Decomposed GenerationarXiv · 机器人与计算机视觉
- SPEAR:面向 VLM 引导的机器人操作的自适应偏好 elicitation 框架arXiv · 机器人与计算机视觉