跳到正文
热点事件持续更新

SimplEvo 与 RAA:无权重更新及注意力机制优化具身智能体

2 篇报道1 个报道来源14 小时前更新

先了解这件事

AI 综述

Yifei Yao 等人提出 SimplEvo 方法,旨在通过文本记忆进化直接控制多模态大语言模型(MLLM)驱动的具身智能体。该方法无需进行权重更新或后训练策略,仅需单次演示即可生成无坐标任务记忆。 在训练阶段,系统构建仅基于训练集的有界工作记忆,并每轮迭代根据程序状态、完成度及恢复情况对记忆进行精炼。实验显示,该方法在 EBench 和 RoboDojo 基准上提升了智能体表现。 针对长周期任务的记忆管理挑战,Siqi Xiang 等人提出了 Resolution as Attention (RAA) 机制。该方法将过往交互渲染为图像,并根据其与当前决策的相关性动态调整视觉分辨率:对关键交互保留细粒度信息,对非关键交互降低分辨率以节省 token。

AI 根据报道生成 · 10 小时前更新

事件进展

2 个进展

  1. 11月19日 13:00 · 1 篇报道
    Resolution as Attention for Efficient Agent Memory Perceptio
    arXiv · 机器人与计算机视觉:Resolution as Attention for Efficient Agent Memory Perception
  2. 11月10日 13:00 · 1 篇报道
    SimplEvo 通过文本记忆进化提升具身智能体表现
    arXiv · 机器人与计算机视觉:Review the Episodes, Refine the Lessons: Simple Memory Evolution for Embodied Agents

报道时间线

沿着报道,了解事件的不同侧面。

11月19日
  1. arXiv · 机器人与计算机视觉
    Resolution as Attention for Efficient Agent Memory Perception

    针对基于大语言模型的智能体在处理长周期任务时面临的记忆管理挑战,本文提出了 Resolution as Attention (RAA) 机制。该方法将过往交互渲染为图像,并根据其与当前决策的相关性动态调整视觉分辨率:对关键交互保留细粒度信息,对非关键交互降低分辨率以节省 token。

11月10日
  1. arXiv · 机器人与计算机视觉
    Review the Episodes, Refine the Lessons: Simple Memory Evolution for Embodied Agents

    论文提出 SimplEvo 方法,探索多模态大语言模型在保留执行经验的文本记忆中直接控制的提升极限。该方法无需权重更新或后训练策略,通过单次演示生成无坐标任务记忆,并在训练阶段构建仅基于训练集集的有界工作记忆,每轮迭代后根据程序、完成度和恢复情况精炼该记忆。

本事件热度走势

可比范围当前
7
可比范围峰值
911月19日 17:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。