跳到正文

内容形态

论文与研究 最新动态

四领域论文、技术报告与研究解释,明确预印本、投稿、接收和出版状态。

2,065 条精选近 30 天 1,226 条共收录 11,236 条

更新

精选归档 · 第 104 页

8月26日周三第 2061–2065 条
  1. OpenCV Blog78

    3D-Object Perception Transformer (3PT):统一检测、分割与位姿估计的 RGB-only 多视图 Transformer

    OpenCV Live 播客介绍由 Intrinsic 和夏威夷大学作者提出的 3D-Object Perception Transformer(3PT),该架构将检测、分割和 6DoF 位姿估计统一为两个仅用 RGB 的多视图 Transformer。

    推荐理由:OpenCV Live 播客介绍 3PT 架构及其在 BOP 2025 竞赛中的表现,并分享从基准测试到工业部署的工程经验。

7月26日周日
  1. Berkeley BAIR Blog65

    ABBEL:学习自然语言信念状态以实现内存高效的长程交互

    针对大语言模型在长程交互中因上下文过长导致性能下降的问题,文章提出 ABBEL 框架,将递归摘要任务转化为对自然语言“信念状态”的监督更新。通过引入基于重构的“信念分级”机制,该框架在 CollabBench 协作编程和 Combination Lock 游戏中显著缩小了与全量上下文模型的差距,同时大幅降低峰值 Token 消耗并减少训练步数。

    推荐理由:提出 ABBEL 框架,通过监督自然语言信念状态更新解决长程交互中的上下文压缩性能损耗问题。

5月17日周日
  1. The Decoder · Robotics80

    世界动作模型赋予机器人行动前模拟后果的能力:架构、数据与评测挑战综述

    这篇综述将现有世界动作模型(WAM)分为级联和联合两种架构,分析了其如何利用无标签视频预测环境变化以辅助控制生成。文章指出当前训练数据受限于遥操作成本或仿真到现实的差距,且缺乏评估生成视频物理因果一致性的指标,导致视觉逼真但无法执行的问题。此外,文中讨论了 Meta 的抽象表示方法作为降低计算成本的潜力方向,并列举了相关论文清单供查阅。

    推荐理由:该综述梳理了世界动作模型的架构分支与数据瓶颈,并指出当前缺乏因果一致性评估指标。

11月11日周二
  1. Google DeepMind67

    DeepMind:通过三步法让 AI 视觉模型像人一样理解世界

    DeepMind 发布新研究,指出当前视觉模型在组织视觉信息时与人类存在系统性偏差,导致其在“找不同”等认知任务中表现不佳。团队提出一种三步对齐方法:先利用少量人类判断数据微调小型适配器构建教师模型,再基于该教师生成百万级合成数据集,最后用此数据对预训练模型进行全量微调以重构内部表征。

    推荐理由:DeepMind 发布新论文,提出三步法将视觉模型内部表征与人类概念层级对齐,显著提升认知任务表现及鲁棒性。

11月1日周六
  1. Berkeley BAIR Blog70

    Berkeley BAIR 发布 Transitive RL:基于分治范式的可扩展离线强化学习算法

    Berkeley BAIR 团队发布了 Transitive RL (TRL) 算法,旨在解决传统时序差分(TD)学习难以扩展至长周期任务的瓶颈。该算法采用“分治”范式,将轨迹递归分割以更新价值函数,从而将对数级减少贝尔曼递归次数并避免误差累积。

    推荐理由:作者提出 Transitive RL 算法,利用分治策略解决离线强化学习在长序列任务中的误差累积难题。