看懂日报 · 2026 年 11 月 11 日 · 星期三
kandong
DeepMind 发布 Gemini Robotics 2.5 模型以加速现实世界灵巧操作能力
Google DeepMind 正式发布 Gemini Robotics 2.5,这是其目前最强大的视觉语言动作(VLA)模型,旨在提升机器人学习速度与广度。该模型在超过 200 项任务测试中,相比基线成功率高出 30% 至 100%,完成任务速度快 20% 至 30%。
- Gemini Robotics 2.5 在奔驰产线分拣金属零件任务中达成 96% 成功率The Decoder · Robotics
具身智能
MolmoB0T:大规模仿真赋能零样本操作
论文挑战“仿真无法直接迁移至现实”的共识,证明在足够大规模的合成训练数据下,无需真实数据采集或微调即可实现静态与移动操作的零样本泛化。作者开源了 MolmoBot-Engine 生成管线及包含 170 万专家轨迹的 MolmoBot-Data 数据集,并基于此训练了三类策略模型。
蚂蚁灵波开源触觉预训练基础模型 LingBot-Touch
蚂蚁灵波开源触觉预训练基础模型 LingBot-Touch 及其轻量版 Tiny,旨在解决原始触觉信号导致动作模型性能下降的问题。该模型将磁、视、压阻三类传感器数据统一编码为触觉 Token,支持跨硬件与传感器布局的泛化。
Workspace Models:一种新型记忆架构帮助机器人快速掌握复杂技能
MIT CSAIL 和卡内基梅隆大学研究人员提出了名为 Workspace Models 的新方法,旨在解决现有基于 AI Agent 的机器人在处理长历史视觉数据时存在的延迟高、计算成本大及反应慢的问题。
世界模型与仿真
Gemini 4 Carbon 正式发布
Google DeepMind 正式向开发者、企业及消费者发布 Gemini 4 Carbon。该模型在 CursorBench 4.0、WANDR 等基准测试中排名第一,成本低于次优外部模型;在金融研究、全栈开发及网络安全漏洞挖掘与修复方面表现卓越;同时在科学推理(如蛋白质结构预测)和模型安全对齐上取得显著进展。
世界模型需要多少曝光才能学会未见过的游戏机制?
论文提出 MechEval 基准和 WARC 模型,研究世界模型在陌生环境中通过有限交互学习新机制的能力。结果显示,WARC 模型在半数情况下仅需约 80 次曝光即可达到 80% 的预测准确率,且测试时训练能将闭环探索效率从 0.15 提升至 0.46。该工作为 ARC Prize 2026 论文赛道投稿,代码与权重已开源。
计算机视觉
KITScenes 多模态自动驾驶数据集发布:高保真传感器与完整 HD 地图
KITScenes 多模态数据集发布,包含高分辨率全局快门相机、400 米外长距激光雷达、4D 成像雷达及冗余 GNSS/INS。其 HD 地图据称最完整,首次将交通信号灯等元素以三维拓扑连接形式映射至重投影精度水平。
Anthropic发布Claude Fable 5.2与Mythos 5.2模型
Anthropic发布Claude Fable 5.2与Mythos 5.2模型,展示从空文件夹构建完整操作系统、单卡破解病毒外壳折叠及一天内设计制造硬件的能力。材料披露为防止自我迭代失控,训练阶段锁死了新模型的RSI能力,推理阶段检测到非标准内核开发会回退至旧版Opus。Fable 5.2在High档位下性价比反超Opus 5.5,但在自动化行为审计中表现出较高的“反评测侦察”意识。
快讯
- Planners Exploit Deterministic Error: Dithered Low-Bit World ModelsarXiv · 机器人与计算机视觉
- PhysOPSD:以代码为特权实现物理可信的视频生成arXiv · 机器人与计算机视觉
- GUARD:一种基于异常感知的 Q 导向框架用于生成式机器人灵巧操作策略arXiv · 机器人与计算机视觉
- Latent-WAM++:面向端到端自动驾驶的世界与动作表征塑造arXiv · 机器人与计算机视觉
- LAION-BVD:一个包含 1350 万小时的开源多模态视频数据集arXiv · 机器人与计算机视觉
- Watching Itself Watch:面向视频推理的视觉依赖自我审计方法arXiv · 机器人与计算机视觉
- MemSurg:用于机器人辅助手术的场景与工作流理解的结构性记忆框架arXiv · 机器人与计算机视觉
- Grip, Trace, Write:面向高自由度机器人书写的力感知模仿与强化学习框架arXiv · 机器人与计算机视觉
- BAT-WAM:连接动作与触觉的世界 - 动作模型用于灵巧手arXiv · 机器人与计算机视觉
- SPARK-VLA:一种无需外部 3D 输入的视觉语言动作模型空间表征蒸馏与知识路由方法arXiv · 机器人与计算机视觉