跳到正文

内容形态

开源与工程 最新动态

可复用的代码、工具链和版本发布;代码许可不等同于文章全文转载许可。

356 条精选近 30 天 209 条共收录 1,471 条

更新

精选归档 · 第 15 页

10月6日周二第 281–300 条
  1. arXiv · 机器人与计算机视觉82

    PWM:基于在线强化学习的个性化世界模型

    针对预训练世界模型难以适配特定用户视频场景的问题,论文提出 PWM 框架,通过在线强化学习(GRPO)或扩散优化(DiffusionNFT)从短视频中定制交互式世界模型。

    推荐理由:提出 PWM 框架,利用在线强化学习从短视频定制交互式世界模型,在保持生成质量的同时实现场景个性化。

  2. Hugging Face Daily Papers78

    PAIR:在视觉语言动作模型中连接感知与动作

    论文提出 PAIR 框架,旨在解决连续动作视觉语言动作模型中感知表示到动作生成的过渡问题。该框架利用掩码动作自编码器将专家动作编码为动作潜在令牌,并通过桥接模块从当前视觉语言特征中提取任务相关信息以形成桥接令牌。

    推荐理由:该框架通过引入桥接令牌,在感知与动作表示间建立共享中间层,显著提升了 OpenVLA-OFT 和 VLA-Adapter 在多基准及真实任务中的成功率。

  3. Hugging Face Daily Papers82

    nanoMuse:一款运行于你所有设备上的开源个人代理

    该论文定义了个人代理的概念框架,并介绍了 nanoMuse,这是一个基于 GPL-3.0 许可的开源项目,旨在让每个用户拥有的设备(手机和电脑)都能运行独立的代理实例。

    推荐理由:报告定义了个人代理的五项核心问题,并基于 Meta Muse 公开记录构建了 GPL-3.0 许可的开源替代方案 nanoMuse。

10月5日周一
  1. arXiv · 机器人与计算机视觉78

    Platonic Task Arithmetic:一种跨架构的任务向量算术方法

    该论文提出‘普朗图任务算术’框架,通过引入与架构无关的‘通用任务描述符’矩阵,实现不同预训练模型间任务更新的传输与组合。实验在六种模型家族、八个任务及音频文本模型上验证,显示跨模型转移能保留目标模型自身描述符所得增益的 74% 至 80%,支持通过最小二乘法求解线性算子或低秩适配器进行实现。

    推荐理由:提出跨架构任务向量传输方法,在六种模型家族上验证了通用任务描述符的有效性。

  2. arXiv · 机器人与计算机视觉78

    高光谱图像模型 PyTorch 库技术报告

    针对高光谱遥感领域碎片化严重、张量规范不兼容及评估非标准化的问题,该工具通过模块化框架统一了涵盖 CNN、ViT、Mamba 等六种范式的 55 个代表性模型。

    推荐理由:该库统一了 55 个高光谱模型与 24 个基准场景,提供标准化评估流程与防重叠划分方案。

  3. arXiv · 机器人与计算机视觉78

    ProWAM:一种基于渐进式视觉规划的世界动作模型

    该论文提出了 ProWAM(Progressive World Action Model),旨在解决现有世界动作模型在长视界预测中效率低及缺乏目标导向的问题。该方法联合预测动作与有序的稀疏视觉子目标,利用大规模无动作视频训练视觉骨干网络以卸载复杂规划任务,仅需轻量级去噪即可生成高效动作。

    推荐理由:提出 ProWAM 架构,通过稀疏子目标序列引导动作生成,在仿真与真实机器人零样本实验中均取得优于基线的结果。

  4. arXiv · 机器人与计算机视觉82

    GlanceWAM:稀疏测试时想象的世界 - 动作模型

    论文介绍 GlanceWAM,一种基于共享视频 DiT 骨干的异步世界 - 动作模型架构。该方法将视觉想象解耦为后台慢速时钟运行的异步提议器,在潜在空间解码动作块,从而打破同步生成带来的延迟瓶颈。

    推荐理由:该工作提出 GlanceWAM,通过异步解耦视觉想象与动作控制,在 RoboCasa 和 LIBERO 基准上实现实时推理与高成功率。

  5. arXiv · 机器人与计算机视觉82

    NAVA-WAM:基于视频的原始动作先验学习用于世界动作模型

    论文介绍 NAVA-WAM 方法,旨在解决世界动作模型依赖动作标注数据可扩展性受限的问题。该方法直接从仅含观测的视频中预训练动作策略,无需间接表示迁移或单独的动作潜变量模型。

    推荐理由:提出 NAVA-WAM,通过原生动作先验直接从观测视频预训练策略,无需动作标注即可实现机器人控制。

  6. arXiv · 机器人与计算机视觉76

    Physical AI Smart Spaces:首个面向室内智能空间的规模化多相机 3D 感知基准

    Physical AI Smart Spaces 是首个同时提供大规模、多类别和多相机室内智能空间 3D 感知数据的基准。数据集包含超过 280 小时同步 1080p 视频,由近 1800 个摄像头在仓库、医院和零售场所等场景采集,并附带自动标注的多相机身份、2D/3D 边界框、相机标定及深度信息。

    推荐理由:该基准提供室内多相机同步数据与自动标注,并扩展 HOTA 指标至三维空间,支持仿真到现实的评估流程。

  7. arXiv · 机器人与计算机视觉78

    OpenRUA:机器人使用智能体是零样本视觉运动策略

    OpenRUA 是一个零抽象层的工具,让通用编码智能体仅通过终端访问机器人原生软件接口 ROS 2 即可执行任务,无需定制封装或特定训练。在配备 Claude Code(Claude Opus 5)的实验中,该框架在 CaP-Bench 上达到 99.0% 的成功率,在 LIBERO-PRO 上达到 87.0%。

    推荐理由:OpenRUA 通过极简终端访问 ROS 2,证明通用编码智能体无需定制接口即可实现零样本视觉运动策略。

10月3日周六
  1. IEEE Spectrum · Robotics78

    IEEE Spectrum 机器人视频周五:仿生飞行、灵巧手与飞虫神经控制的最新演示

    IEEE Spectrum Robotics 发布本周精选视频合集,涵盖新加坡科技设计大学开发的 ALBATROSS 混合空海机器人(利用机翼实现自旋降落与风帆航行)。

    推荐理由:视频合集展示了从仿生飞行到灵巧手、飞虫神经控制及灾难救援的多项前沿演示,为团队提供跨领域灵感与工程参考。

10月2日周五
  1. Hugging Face Daily Papers78

    CUAWright:面向数字代理的最小统一接口

    CUAWright 是一种仅约 3K 行代码的极简终端接口工具,利用 bash 命令作为唯一操作界面,文件系统作为动态演化空间以构建工具和上下文管理。实验显示,相比 GPT-5.5 基线及 GUI 原生接口,该方案在 OSWorld 2.0、Online-Mind2Web、Odysseys 等基准任务中显著提升成功率并降低估算成本,同时在 CAD 应用中也展现出更强的视觉理解与交互能力。

    推荐理由:CUAWright 提出最小化终端接口方案,在数字任务与 CAD 应用中显著优于 GUI 及混合接口。

  2. Hugging Face Daily Papers82

    通过递归自重写扩展复杂任务的轨迹:一种通用 harness 下的能力提升方法

    该论文提出 Recursive Self-Rewrite (RSR) 框架,旨在解决专用 harness 干预在部署时不可用的问题。该方法利用单一基座模型 Qwen-3.8-27B,通过规划器、评论器和执行器组件,在不同 harness 下发现成功解法并将其重构为通用 harness 下的训练轨迹。

    推荐理由:RSR 框架利用单一基座模型在多种仿真环境中发现并重构解决方案,显著提升了终端任务的成功率与泛化能力。

10月1日周四
  1. Hugging Face Daily Papers84

    GUI-HARVEST:基于证据驱动的 GUI 代理自我改进与 Harness 演化

    论文介绍 GUI-HARVEST,一种自动优化 GUI 模型执行环境的框架,旨在解决意图对齐、失败诊断与模式复用三大挑战。该方法将模型输出与前后截图对齐以定位界面转换差异,利用重复任务运行构建联合证据单元,并将验证后的发现转化为有界的源代码编辑。

    推荐理由:该预印本提出 GUI-HARVEST 框架,通过证据驱动的 harness 演化实现冻结骨干模型的自改进,在多个基准上验证了通用性与性能增益。

9月29日周二
  1. Hugging Face Daily Papers85

    MotorMind:为通用视觉语言模型搭建零样本机器人操作框架

    论文介绍 MotorMind,这是一个连接通用视觉语言模型(VLM)与确定性机器人控制的中间层动作表示及异步执行框架。该方案无需任务特定策略训练、代码智能体或 SAM3 等定位工具,在 LIBERO-PRO 基准上实现 66.7% 成功率(扰动下为 53.8%,优于此前零样本方法的最高 13.3%),并在真实 xArm6 机器人上达到 95% 平均成功率。

    推荐理由:该工作提出 MotorMind 框架,证明通用 VLM 无需额外训练或工具即可实现零样本机器人操作,显著优于现有方法。

9月28日周一
  1. World Labs · Research & Insights81

    World Labs 宣布正式加入 AMD

    World Labs 与 AMD 达成最终协议,将于 2026 年底前完成合并(受监管审批等条件约束)。Fei-Fei Li 将出任 AMD 执行副总裁兼首席科学家,Justin Johnson 和 Ben Mildenhall 将继续领导 World Labs 团队。双方计划整合软件、硬件及基础模型资源,构建涵盖硬件、软件、平台及开放模型的端到端 AI 生态系统。

    推荐理由:World Labs 签署加入 AMD 的协议,Fei-Fei Li 将任 AMD 执行副总裁兼首席科学家,双方计划整合软硬件栈构建端到端开放 AI 生态。

  2. 智东西 · 机器人84

    香港大学MMLAB发布PhysicalRSI 1.0具身智能系统基线

    香港大学MMLAB团队发布了PhysicalRSI 1.0(物理递归自进化)系统,旨在解决通用大模型在精密操作与多步任务中的控制难题。该系统通过System 2规划反思与System 1执行反馈的协同机制,实现Harness(工作程序)的自我改写与迭代。

    推荐理由:港大团队提出自进化基线PhysicalRSI 1.0,在RoboDojo评测中成功率与分数均领先GPT-6 Astra等竞品。

9月25日周五
  1. Hugging Face Daily Papers82

    JumpStart:基于 16 万次训练经验加速离线策略学习

    该研究通过 160,000 个策略在 114 个数据集上的大规模实验发现,离线强化学习与模仿学习中不存在单一主导算法,且超参数调优与基准组合显著影响结论。作者开发了数据集条件推荐器以提供任务特定建议,并开源了包含所有训练策略、评分、超参数及代码的 JumpStart 资源库,旨在提升研究可靠性。

    推荐理由:大规模离线策略学习研究显示无单一最优算法,提供数据集条件推荐器与完整资源库。

9月23日周三
  1. 地平线 · 资讯动态78

    地平线发布机器人指令理解与操作评测基准 InstructMove

    地平线联合无问智科发布机器人指令理解与操作评测基准InstructMove,旨在解决机器人仅凭视觉捷径完成任务而忽视语言指令的问题。该基准基于Text-Indispensable原则,在场景中设置多个可操作候选目标,强制模型依赖语言消歧。

    推荐理由:地平线发布InstructMove基准,通过多候选目标场景验证语言对动作选择的必要性,并证明仿真数据能提升真机指令跟随能力。

9月22日周二