看懂日报 · 2026 年 10 月 31 日 · 星期六
kandong
WorldFlow:通过大规模预训练实现视频与 3D 运动联合预测
针对现有视频世界模型隐含 3D 动力学、动作表述绑定特定机器人配置以及 3D 运动预测仅使用流监督信号等局限,该工作提出 WorldFlow,这是一个生成式世界模型,能够联合预测未来视频和基于查询的 3D 轨迹。
智能驾驶
Kodiak AI 宣布自动驾驶货运安全案例完成度达 99% 并加速推出无人驾驶长途服务
Kodiak AI 宣布其长途无人驾驶运营的安全案例(Autonomy Readiness Measure)完成度已达 99%,计划于 2026 年底前在德克萨斯州 I-45 高速公路段启动为 IKEA 提供无人驾驶货运的商业服务。公司此前已完成在 Permian Basin 盆地的工业级部署,目前正通过 BreakPoint 仿真工具和概率风险评估方法完善剩余工程验证与验证里程碑。
丰田与 Waymo 宣布推进自动驾驶合作,将在日本测试 bZ4X 车队
丰田与 Waymo 宣布进入自动驾驶合作下一阶段,双方将开始在日本测试和验证由丰田 Takaoka 工厂生产的 bZ4X 自动驾驶车队,计划于 2027 年启动运营。
具身智能
LOGIV:用于长程机器人任务的因果本地化修复图验证执行框架
论文介绍 LOGIV 框架,旨在解决智能体机器人在执行高维目标时物理条件失效的问题。该框架利用显式任务图连接符号规划、观测验证与具身动作,将验证后的计划编译为条件支撑与资源排序边,并在执行中检查其物理有效性。
人形机器人开发商 Agility 拟通过 SPAC 交易融资约 4.65 亿美元
Agility Robotics Inc. 与 Churchill Capital Corp XI 宣布,预计其合并后的 SPAC 交易将筹集约 4.65 亿美元资金,包括来自信托账户、PIPE 及已获得的股权融资。
计算机视觉
面壁智能开源ForgeKernel:AI Agent零帧起手将DeepSeek核心算子提速9.8%
面壁智能开源算子生成系统ForgeKernel,其Agent在无源码、无论文参考情况下,于英伟达B200上通过42轮迭代将FlashMLA Prefill算子耗时从518微秒降至472微秒,超越人类手写巅峰9.8%。该系统在昇腾CANN三大榜单均排名第一,且已在国产芯片与英伟达平台完成MiniCPM5-1B长训测试,标志着AI研发主体正从人类转向模型。
国产开源OXR模型三项榜单第一,1.3B参数实现高速高精度文档解析
SoMark团队发布国产开源OCR模型OXR,参数量仅1.3B,在OmniDocBench、olmOCR-Bench和DocParsingBench三项全球榜单中均位列第一。
EditAgent:重新思考代理式图像编辑
针对现有代理式图像编辑器在步骤失败时重试工具单一、人工评分不可靠的问题,本文提出 EditAgent 框架。该框架将每个步骤路由至通用编辑器与专用方法,并为候选结果附加验证记录,利用现成视觉语言模型(VLM)进行列表级并行评测。实验显示,该方法在专家标注基准上显著优于微调奖励模型,且能以不超过一半的调用次数完成决策。
快讯
- DAWN:基于扩散的对齐与拆卸工作流程网络arXiv · 机器人与计算机视觉
- AB-Attention:加速视频扩散 Transformer 的精确块注意力方法arXiv · 机器人与计算机视觉
- 当更多规划有害时:用于世界模型的习得式规划器arXiv · 机器人与计算机视觉
- Echo:一种通过离线经验扩展视觉强化学习的单阶段框架arXiv · 机器人与计算机视觉
- CaC:一种基于层级时空聚焦的视频奖励模型arXiv · 机器人与计算机视觉
- Youtu-Parsing-Omni:单一编码器与图式实现全模态解析arXiv · 机器人与计算机视觉
- RoboSeed:VLA 与世界动作模型的多维评估框架arXiv · 机器人与计算机视觉
- Utility-WAM:修正由未来预测引发的动作变化arXiv · 机器人与计算机视觉
- METATRON:一种面向人形机器人的可提示词驱动全身执行层arXiv · 机器人与计算机视觉
- Seeing and Imagining as One:GenSight 统一视频生成与 4D 感知用于具身世界建模arXiv · 机器人与计算机视觉