看懂日报 · 2026 年 11 月 5 日 · 星期四
kandong
Möbius:一种统一运动 - 语言模型,桥接理解与生成
arXiv 论文介绍 Möbius,旨在构建能同时理解、生成和编辑人类运动的统一框架。该模型将扩散过程引入多模态表示空间,使干净运动、噪声运动和文本共同参与共享注意力机制,且直接操作连续帧级原始运动数据,无需离散分词或预训练 VAE。在 HumanML3D 数据集上达到最先进水平,扩展至 17 亿参数和 1700 小时运动数据后证明有效且可扩展。
具身智能
DynaFLIP:一种基于三模态动力学引导的机器人感知表征框架
论文介绍 DynaFLIP 框架,旨在解决传统机器人学习管道依赖静态视觉编码器、将运动理解推给下游策略的问题。该方法构建图像 - 语言-3D 流三元组作为训练监督,鼓励三种模态在共享超球空间中占据较小的单纯形体积以增强对齐,并结合余弦正则化与对比目标以避免几何歧义和平凡坍缩。
招商局狮子山实验室发布具身推理视觉语言模型「驭物™ Lion-ER-35B-A3B」
招商局先进技术研究院下属狮子山人工智能实验室发布了具身推理视觉语言模型「驭物™ Lion-ER-35B-A3B」。该模型采用 MoE 架构,总参数约 35B,仅激活约 3B 参数。
物理世界模型创企 LiberAI 正式发布 Liber-0 世界动作模型
物理世界模型创企 LiberAI 于 11 月 4 日发布基于超 220 万小时人类经验数据预训练的世界动作模型 Liber-0。该模型采用混合 Transformer 架构,结合 LiberSense Glove 采集的人手动作数据与互联网视频,旨在减少对真机数据的依赖并提升跨本体泛化能力。
世界模型与仿真
PrimeSim:基于大规模跨具身演示的通用世界模型模拟器发布
论文 PrimeSim 提出了一种动作条件化的多视图世界模型模拟器,通过渐进式中期训练和后期训练解决动作跟随与多视图一致性难题。该模型在 30,110 小时、22 个平台的数据上预训练,支持刚性及可变形操作任务的长程仿真,并在多个基准测试中领先开源同类模型。作者发布了模型权重、推理代码及训练代码,但材料仅基于 arXiv 预印本,未提及同行评审状态或真实机器人部署结果。
ToolSpace:面向长程智能体的工具中心化环境合成扩展方法
论文提出了 ToolSpace 框架,旨在解决现有 MCP 环境合成方法数据为中心、导致工具接口不匹配及任务跨度不足的问题。该方法从真实 MCP 服务和开放智能体语料库的执行轨迹中,利用确定性规则挖掘数据、状态和重试依赖,而非依赖大模型判断。
计算机视觉
DepthAI v3.12.0 发布:支持多流点云合并与拼接节点
Luxonis DepthAI Core 发布 v3.12.0,新增 Multi-stream PointCloud 功能可合并任意数量的深度流(含可选对齐色彩)为单一数据;Stitching 节点正式转正并默认启用校准全景缝合;ImgDetectionsFilter 节点开放以过滤检测结果。
快讯
- HiLo-WAM:解耦世界动作模型中的长程任务演化与局部动态arXiv · 机器人与计算机视觉
- ReflexArc:将瞬时触觉反射自下而上集成到全身人形机器人控制中arXiv · 机器人与计算机视觉
- 在线哈密顿 -雅可比可达性:用于安全关键自主系统的实时 GPU 求解器arXiv · 机器人与计算机视觉
- YANAMI:首个面向多轮状态交互的大规模多模态数据集与基准arXiv · 机器人与计算机视觉
- VidVec:解锁视频 MLLM 嵌入以用于视频 - 文本检索arXiv · 机器人与计算机视觉
- AIRoA-0:仅凭手持演示实现长视界精准跨本体操作arXiv · 机器人与计算机视觉
- Diffusion-DRF:一种用于视频扩散微调的自由、丰富且可微分的奖励框架arXiv · 机器人与计算机视觉
- Aero-VPA:面向边缘硬件的非重构 JEPA 潜空间少步流匹配控制研究arXiv · 机器人与计算机视觉
- FloMo:将3D场景流作为世界动作模型的中间层以学习人类视频数据arXiv · 机器人与计算机视觉
- RoboScope Kit:具身智能评估的统一接口与加速方案arXiv · 机器人与计算机视觉