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 4 页

10月19日周一第 61–80 条
  1. arXiv · 机器人与计算机视觉83

    VLA-Fabric:面向可组合多臂 VLA 智能体的交互学习

    针对多臂协同操作需求,本文提出 VLA-Fabric,在保留各臂局部感知与动作所有权的同时,通过策略间显式交互实现协调。研究系统分析了交互发生位置、同伴信息聚合方式及学习机制,并在不同架构中验证了该原则的通用性。在仿真与物理实验中,由三支或四支手臂组成的团队在所有四项物理任务上,全量交互模式相比独立训练策略将成功率提升了 16% 至 40%。

    推荐理由:该文提出 VLA-Fabric,通过策略间显式交互提升多臂协作成功率,物理实验显示效果优于独立训练。

  2. 量子位80

    VAST 发布开源实时世界模型 EdenLive,单卡消费级显卡超 24FPS 运行

    VAST 正式发布并开源实时世界模型 EdenLive,首次实现在实时生成前提下同时完成任意参考输入、任意画风生成和长时连续运行。在单张 Nvidia RTX 5090 消费级显卡上,720P 条件下 5B 模型生成速度超过 24FPS,端到端延迟为百毫秒级,支持分钟级画面持续生成。

    推荐理由:VAST 正式发布并开源实时世界模型 EdenLive,支持在消费级显卡上实现分钟级连续生成与交互渲染。

10月18日周日
10月16日周五
  1. arXiv · 机器人与计算机视觉82

    REKI:一种基于公开数据预训练的 24 亿参数视觉语言动作模型

    作者发布了 REKI,这是一个 2.4B 参数的视觉语言动作模型(VLA),仅使用公开数据进行预训练。该模型在 LIBERO-Plus、RoboTwin Clean2Rand 和 RoboCasa365 等基准测试中表现优异,性能接近两倍大模型的规模。

    推荐理由:该 VLA 在仅用公开数据预训练下,以较小规模达到接近两倍大模型的 LIBERO-Plus 等基准表现。

  2. arXiv · 机器人与计算机视觉82

    Seeing is Believing:MLLMs 中语言先验对视觉感知的干扰评测与缓解

    论文指出 MLLM 的语言先验会覆盖视觉证据导致感知受损,现有基准存在局限。作者提出 ViSiP-Bench 基准和 MAPS 方法,通过动态诱导协议和微调策略来更精准地测量并降低模型对语言先验的过度依赖。

    推荐理由:提出 ViSiP-Bench 基准与 MAPS 方法,揭示大模型语言先验干扰问题并提供缓解方案。

  3. arXiv · 机器人与计算机视觉82

    Enabling Validation for Robust Few-Shot Recognition 论文发布

    针对少样本识别中因缺乏验证数据导致模型过拟合的问题,本文提出一种多目标优化验证策略,在提升 ID 任务性能的同时保持对检索 OOD 数据的泛化能力。作者将验证问题形式化为 Pareto 前沿上的操作点选择,并集成到分阶段微调流程 VEST 中。实验表明该方法在五个基准测试的 ID 和 OOD 数据上均优于现有方法。

    推荐理由:提出将检索数据作为验证集的多目标优化策略,解决少样本微调中的过拟合与泛化难题。

  4. arXiv · 机器人与计算机视觉82

    PrismaCoder:通过分解式评分标准合成推动开放多模态代码智能边界

    论文针对多模态代码智能领域数据质量与生成管线受限的问题,提出 PrismaForge 分层数据管道,利用分解式评分标准同时作为过滤与奖励机制来构建高质量数据集。基于此构建了 PrismaCoder-2M 最大规模开放数据集,并训练发布 PrismaCoder-9B 和 PrismaCoder-35B 模型,在开源领域大幅领先现有水平且媲美主流闭源系统。代码与数据已公开。

    推荐理由:提出基于分解式评分标准的数据合成管道,构建最大规模开放数据集并训练出领先开源界的代码智能模型。

10月14日周三
  1. Google DeepMind87

    Gemini 4 Argon 发布:物理 AI 模型解锁机器人控制与仿真构建新工作流

    DeepMind 发布 Gemini 4 Argon,该模型在 ERQA 基准测试中纯推理得分 87%,超越其他前沿模型。Argon 支持从遥操作到自主控制的闭环视觉回路,能基于真实视频或手绘草图构建物理校准的 MuJoCo 仿真双胞胎,并开放了多模态后见性标注与价值函数预测等工具。

    推荐理由:DeepMind 发布 Gemini 4 Argon,在 ERQA 基准测试中纯推理得分 87%,并开放了从代码生成到仿真构建的机器人工作流入口。

  2. Google DeepMind82

    Gemini 4 Argon 发布:具身推理与复杂工程任务全球上线

    Google DeepMind 正式发布 Gemini 4 Argon 模型,该模型在具身推理基准 ERQA 中以 87% 的分数领先其他前沿模型,并展示了通过观看人类操作视频自主构建仿真代码、进而将技能迁移至人形机器人(Apptronik Apollo)实现连续投掷的技能。

    推荐理由:DeepMind 发布 Gemini 4 Argon,在具身推理基准 ERQA 以 87% 分数领先,并展示通过观看视频自主构建仿真代码并在人形机器人上实现技能迁移的能力。

  3. 智东西 · 机器人82

    Google DeepMind 发布通用物理推理模型 Gemini 4 Argon

    Google DeepMind 正式上线通用物理推理模型 Gemini 4 Argon,该模型具备视觉语义推理、物理理解和代码生成能力。Argon 支持通过观看视频或手绘草图构建仿真环境(Real2Sim),在 MuJoCo 等环境中进行零样本控制与技能学习,并能分析操作过程以优化机器人表现。

    推荐理由:DeepMind 上线通用物理推理模型 Gemini 4 Argon,支持从视频或草图构建仿真环境、零样本控制及自我改进优化机器人动作表现。

10月12日周一
  1. 上海人工智能实验室 · 科研动态72

    上海AI实验室推出决策模型‘书生·明决’,性能超Jev并支持端侧部署

    上海人工智能实验室推出决策模型‘书生·明决’(Intern-Decision),包含0.8B、2B、4B三档参数版本。该模型将原生视觉感知与指令遵循融为一体,在单卡RTX 4090环境下实现每秒约30次决策的响应速度,端到端时延比Jev快2倍以上。

    推荐理由:上海AI实验室推出原生视觉决策模型书生·明决,在端侧推理速度与多模态任务质量上超越Jev等开源基线。

  2. 量子位86

    何恺明团队发布视觉原生Harness框架VISTA

    何恺明团队在论文《VISTA: A Visual Harness for Reasoning in an Interactive World》中提出VISTA框架,让多模态模型无需额外训练即可观察环境、保存原始画面并在推理时回看细节。

    推荐理由:何恺明团队提出VISTA框架,让多模态模型无需重训即可回看原始画面以辅助推理,在ARC-AGI-3等基准上显著提升通关效率。

10月10日周六
  1. 智东西 · 机器人82

    MIT韩松团队联合英伟达发布Long-WAM:延长视觉上下文提升机器人长时程操作成功率

    10月8日,MIT韩松团队联合英伟达、香港大学和加州大学圣地亚哥分校发布了世界动作模型Long-WAM。该框架旨在满足实时控制要求的同时扩展因果世界动作模型的上下文长度,利用历史视觉信息辅助动作决策。

    推荐理由:MIT韩松团队联合英伟达等发布的Long-WAM,通过分阶段预训练扩展了世界动作模型的视觉上下文长度,在保持实时响应的同时显著提升了复杂连续操作任务的成功率。

10月9日周五
  1. 智东西 · 机器人82

    Aether AI 推出因果机器人智能系统 CRIS-0

    Aether AI 正式推出因果机器人智能系统 CRIS-0,该系统通过因果驱动的 Agent 和因果世界模型两大模块,在真实环境中展示了对动态干扰的实时调整、任务自主纠错及动作直接生成能力。创始人黄碧薇为 UCSD 助理教授,公司成立于 2026 年并已完成融资。材料包含真机演示视频与架构说明,未提及具体开源代码或部署许可细节。

    推荐理由:Aether AI 推出 CRIS-0 系统,利用因果状态与统一工具接口实现机器人自主纠错与环境适应。

  2. 量子位86

    星动纪元自研世界动作模型VPP2登顶RoboDojo榜单并开源

    星动纪元自研的世界动作模型VPP2在RoboDojo仿真榜单综合平均成功率32.26%、得分39.26分两项指标均居第一,泛化与精细操作能力领先。该模型采用视频预测与动作学习分阶段训练策略,未依赖额外数据或外挂增强手段。代码已开源,项目主页提供复现入口。

    推荐理由:星动纪元自研的世界动作模型VPP2在RoboDojo仿真榜单登顶,并开源代码与项目主页。

  3. arXiv · 机器人与计算机视觉85

    SLVR:基于类人推理流的结构化潜变量视觉推理

    论文提出 SLVR 框架,旨在解决多模态大模型过度依赖语言先验的问题。该方法将显式思维链与潜变量推理结合,通过掩码答案文本并对比视觉干扰项进行训练,随后对规划、定位、证据选择和整合四个阶段分别施加监督信号。基于 Qwen2.5-VL-7B 的 SLVR 在 MMVP 和 BLINK Relation 等基准上取得显著提升,证明了结构化潜变量监督能在避免推理开销的同时增强细粒度视觉推理能力。

    推荐理由:提出 SLVR 框架,通过结构化潜变量监督实现规划、定位与证据选择分离,在 Qwen2.5-VL-7B 上提升多模态推理基准表现。

10月7日周三
  1. arXiv · 机器人与计算机视觉84

    αTransfer:基于系数转移的高效模型合并方法

    针对大规模模型合并时搜索最优参数系数成本高昂的问题,本文提出αTransfer范式。该方法利用同一家族内不同尺寸模型在合并系数上的性能分布高度一致的特性,在小代理模型上完成搜索后直接将系数迁移至大目标模型。实验表明,该方法在视觉Transformer和大型语言模型上分别实现了6倍和20倍的加速以及70%和85%的显存减少,同时保持了相当的性能水平。

    推荐理由:提出αTransfer方法,在小代理模型上搜索合并系数并直接迁移至大模型,实现视觉与语言模型的推理速度提升及显存大幅降低。

10月6日周二
  1. arXiv · 机器人与计算机视觉82

    EgoSteer:面向可操控灵巧操作的开源全栈系统

    EgoSteer 是一个面向可操控灵巧操作的开源全栈系统,整合了 EgoSmith 数据管道、统一机器人堆栈及世界模型增强的 VLA。系统在 9,606 小时第一人称视频上预训练,并通过遥操作与 DAgger 微调,在 45 个多样化任务中稳健执行自由指令,并在两个具身平台上对长周期任务达到 79% 平均进度。代码、数据集、模型检查点及评测画廊已公开。

    推荐理由:开源了基于第一人称视频预训练的灵巧手 VLA 系统,提供数据管道与仿真增强策略以支持遥操作微调。

  2. arXiv · 机器人与计算机视觉82

    PerCoV2:基于查询的 1D 多模态图像 Token 超低码率感知图像压缩系统发布

    PerCoV2 是一个超低码率感知图像压缩系统,统一了语义分词、流生成和熵建模。该系统在 MSCOCO-30k 数据集上实现了极低码率(0.0015-0.025 bpp)下的最先进统计保真度,并在 SA-1B 数据集上训练后展现出对 DIV2K 等高分辨率基准的零样本泛化能力。

    推荐理由:PerCoV2 在极低码率下实现感知压缩新 SOTA,开源代码与预训练模型将随论文发布。