跳到正文

内容形态

模型发布 最新动态

机器人基础模型、世界模型和视觉模型的新版本、权重及可用范围。

173 条精选近 30 天 58 条共收录 347 条

更新

精选归档 · 第 2 页

11月9日周一第 21–40 条
  1. 量子位78

    百度文心首次披露 RSI 进展:ERNIE Evolve 已用于最新模型研发,文心 5.5 Flash 或将近期发布

    11 月 9 日,百度文心首次披露递归自我改进系统 ERNIE Evolve,该系统能自主提出研究方向、开展实验并积累经验。目前 ERNIE Evolve 已应用于即将发布的文心 5.5 Flash 推理优化,在昆仑芯 P800 低时延场景生成速度提升至基线 623.6%,确定性推理吞吐提升至基线 133.7%。

    推荐理由:百度披露递归自我改进系统 ERNIE Evolve,已用于文心 5.5 Flash 推理优化并开源基座版本。

  2. 量子位78

    腾讯混元Hy4正式发布:新增原生视觉与电脑操作能力

    腾讯混元Hy4正式从预览版升级为正式版,总参数达770B,首次引入原生视觉理解与计算机使用(CUA)能力。实测显示其能在28亿像素图中定位细节、自主编写代码构建复古音乐播放器及3D游乐园、通过多轮自检修复逻辑漏洞并交付无Bug结果。模型已在腾讯云TokenHub等产品上线,权重近期开源,金融与科研领域表现优异。

    推荐理由:腾讯混元Hy4正式发布,新增原生视觉与电脑操作能力,实测显示其在复杂任务规划、代码生成及3D建模方面表现突出。

11月6日周五
  1. 智东西 · 机器人82

    英伟达发布VFlash视觉规划框架,机器人推理提速12倍

    英伟达发布了面向快速精准视觉规划的通用解码框架VFlash。该框架利用视觉信息的几何结构,通过并行预测完整空间信息替代传统逐Token生成,在三维点运动预测任务中单次生成速度提升约25倍,动作解码最高加速12倍、整体机器人推理加速5.1倍。

    推荐理由:英伟达推出VFlash并行解码框架,将机器人推理加速5倍、动作解码提速12倍,并提升任务成功率。

  2. arXiv · 机器人与计算机视觉82

    Concertina:在单一扩散视觉语言模型中体现操作与认知

    论文介绍 Concertina 架构,主张将连续轨迹表示、块式生成及物理坐标监督直接置于共享扩散 VLM 骨干网络路径上,而非外挂独立动作专家。该模型仅用 0.21% 的参数实现主动动作投影,在 LIBERO-Plus 基准上达到 85.9% 成功率,CALVIN ABC-D 平均完成链长为 4.142。代码与权重已开源。

    推荐理由:该工作提出将连续轨迹表示与认知统一于共享扩散骨干网络,显著降低动作生成参数占比并验证了跨时间步耦合机制。

  3. World Labs · Research & Insights72

    Frameboy:Atlas 世界模型的实时交互演示

    World Labs 发布 Frameboy 研究预览,允许用户通过浏览器以最高 15 fps 的速率控制相机并实时探索由 Atlas 生成的 3D 场景。该演示基于高度优化的 Atlas 变体,支持从单张输入图像或文本描述生成全新视角,并可集成至 Viewfinder 应用用于构建和流式渲染自定义场景。

    推荐理由:World Labs 推出 Frameboy 演示,支持以 Atlas 世界模型实现实时交互与流式帧生成。

11月5日周四
  1. arXiv · 机器人与计算机视觉83

    Prism:面向统一多模态模型的双向自我教学方法

    该论文提出了 Prism 方法,旨在通过双向自我教学改进统一多模态模型(UMMs)的理解与生成功能。该方法将耦合的交错轨迹解耦为文本链和图像链,并根据其可靠性构建训练目标。在 SenseNova-U1 和 BAGEL 上的实验显示,GenEval、DPG、MME 及 MMVP 等指标均有提升。研究强调无需外部验证器或标注修正轨迹即可实现能力协同增强。

    推荐理由:提出基于自生成轨迹双向监督的 UMMs 后训练方法,无需外部验证器即可提升理解与生成能力。

  2. 量子位80

    百度发布ApolloWorld世界模型,实现虚拟路测一天抵三年

    百度正式披露全新世界模型ApolloWorld,利用AI构建持续变化的虚拟交通环境,支持多智能体交互与完整行程级别的实时推演。该系统已应用于萝卜快跑的全球化测试验证,宣称其虚拟路测效率相当于一辆配备安全员的真实测试车连续行驶三年。

    推荐理由:百度披露ApolloWorld世界模型,支持实时推演完整Robotaxi行程,宣称虚拟路测效率可达真实测试的三倍。

11月4日周三
  1. 量子位78

    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。

    推荐理由:该模型通过能力牵引的数据引擎与闭环迭代机制,在不堆砌数据的情况下实现了十项主流基准指标提升。

  2. 智东西 · 机器人78

    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。

    推荐理由:LiberAI 发布基于超 220 万小时人类经验预训练的世界动作模型 Liber-0,在零样本真机测试中取得 36% 成功率并优于 GPT-6 Astra。

  3. arXiv · 机器人与计算机视觉78

    LiSA:用于长程视觉建模的线性随机注意力

    arXiv 预印本论文提出 LiSA(Linear Stochastic Attention),这是一种线性注意力插件模块,通过基于截断随机游走的随机扩散过程实现高阶 Token 交互。该方法具备自适应局部性以保留细粒度结构,并在分类、语义分割和目标检测任务上展示了优于最先进方法的实验结果。

    推荐理由:提出基于截断随机游走的线性随机注意力模块,在分类与分割任务上优于现有方法。

11月3日周二
  1. 盖世汽车 · 汽车资讯78

    百度Apollo World世界模型发布:让AI训练AI

    11月3日,百度在Apollo Day上首次披露面向物理AI的智能体驱动全模态世界模型Apollo World,并提出“2+3”判断标准。该模型具备因果性与交互性,强调物理准确性、持久性和实时性。

    推荐理由:百度Apollo首次披露面向物理AI的因果性、交互性驱动的世界模型,提出2+3判断标准并用于萝卜快跑全球化测试。

  2. arXiv · 机器人与计算机视觉78

    Context-Shielded Backdoor Attack against Large Vision-Language Models

    该论文揭示了大型视觉语言模型(LVLMs)在推理时使用视觉标记压缩时,传统后门会被激活而暴露风险。作者提出 StripWake 项目器仅后门方案,通过配对清洁监督与随机压缩视图并冻结良性教师对齐早期注意力,实现在全标记审计下保持低攻击成功率而在未见过的压缩器中高效触发,且无 CIDEr 损失。

    推荐理由:揭示大模型推理压缩会激活潜伏后门,提出 StripWake 方法在审计时保持休眠而在压缩后触发。

  3. arXiv · 机器人与计算机视觉78

    Learning to Group and Order:面向视觉的多模态大模型跨实例自监督强化学习

    论文提出 GO-SSL 框架,通过跨实例拼图任务将未标注数据转化为可验证的监督信号,训练模型在分组的同时恢复内部顺序。该方法涵盖图像、3D 深度及视频时序排序,在多个基准测试中均优于基线模型,显著提升了细粒度感知与空间理解能力。代码已开源。

    推荐理由:提出跨实例拼图自监督强化学习框架,提升多模态大模型细粒度感知与空间理解能力。

10月31日周六
  1. 智东西 · 机器人80

    大晓机器人联合南洋理工大学发布世界模型 Mundo

    大晓机器人联合南洋理工大学S-Lab发布面向具体环境的世界模型Mundo,具备场景重建、自由视角探索和时空模拟能力。该模型仅需1至12张真实图像即可构建可编辑的三维代理场景,并通过代码定义物体质量与摩擦等物理属性,利用MuJoCo引擎计算运动与碰撞,最终由视频扩散模型渲染出符合物理规律的动态画面。

    推荐理由:大晓机器人联合南洋理工大学发布Mundo,支持少量图像构建含物理属性的可交互三维环境,为机器人Real-to-Sim训练提供新工具。

  2. 量子位78

    智元发布GO-3 Preview与WITA-OMNI双模型,宣布年底开源灵渠OS

    智元在创新日发布具身基座模型GO-3 Preview和全模态交互大模型WITA-OMNI,两者分别在作业与交互评测中登顶。公司同时推出第三代硬件架构AHA3、精灵G2 Max本体及灵渠OS 1.0系统,并宣布今年年底全面开源灵渠OS 1.0,向开放原子开源基金会捐赠该项目,开放2亿行代码与5000多个生态软件包。

    推荐理由:智元发布新一代基座与交互大模型,并宣布年底全面开源灵渠OS及2亿行代码。

10月30日周五
  1. arXiv · 机器人与计算机视觉78

    Rotation Equivariant Mamba for Vision Tasks

    针对现有视觉 Mamba 模型缺乏旋转对称性设计导致对图像旋转敏感的问题,本文提出了 EQ-VMamba,这是首个具备旋转等变性的视觉 Mamba 架构。该架构通过精心设计的旋转等变跨扫描策略和群 Mamba 块,在 p4 旋转群下实现了端到端的旋转等变性。

    推荐理由:EQ-VMamba 架构引入旋转等变先验,在保持参数效率的同时提升视觉 Mamba 模型的旋转鲁棒性与泛化能力。

10月29日周四
  1. 量子位81

    分子之心发布MMDesign技术报告:19个项目18个成功,拿下高难度GPCR靶点

    分子之心发布了其AI蛋白质从头设计平台MMDesign的最新技术报告,覆盖18个不同靶点共19个设计项目,其中18个项目获得经实验确认的结合分子,项目成功率达94.7%。

    推荐理由:报告展示了国产AI制药平台MMDesign在抗体从头设计上的系统性验证成果,涵盖GPCR等难靶点及跨模态能力。

  2. 智元 AGIBOT · Newsroom87

    智元发布 GO-3 Preview 预训练模型,在三大具身智能基准测试中位列第一

    智元今日发布 GO-3 Preview 具身基础模型,该模型支持从预训练、后训练到部署后的全生命周期学习,并在 RoboDojo、RoboTwin 和 RoboColiseum 三项主要具身智能基准测试中获得第一名。

    推荐理由:智元发布 GO-3 Preview 预训练模型,在三大基准测试中位列第一,并开放全生命周期学习架构与仿真工具链。

10月28日周三
  1. 量子位78

    智元发布Genie Master框架,在便利店实测中实现机器人自主进化

    智元发布具身Agent框架Genie Master,将Physical RSI(具身递归自进化)应用于真实便利店业务流。该框架通过EEP协议连接推理与执行,利用Harness RSI积累提示词经验、Policy RSI更新动作策略模型,使机器人在无人在环状态下自主分析失败原因、调整策略并沉淀长尾场景经验。智元计划于11月2日开展6台精灵G2机器人连续上岗的24小时直播考核。

    推荐理由:智元发布Genie Master框架,在真实便利店场景验证Physical RSI机制,支持机器人自主诊断问题、调整策略并积累长尾经验。