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。

1,994 条精选近 30 天 1,302 条共收录 10,555 条

更新

精选归档 · 第 73 页

10月16日周五第 1441–1460 条
  1. arXiv · 机器人与计算机视觉78

    Pixels to Tokens:面向低预算语义分割的 Token 空间高效主动学习

    论文提出了 TEAL(Token-space Efficient Active Learning),这是首个基于 ViT 表示构建的像素级主动学习框架。该方法冻结 ViT 主干网络,直接在原生 token 晶格上进行基于多样性的选择,避免插值带来的伪影,并通过解码器网格上的边缘不确定性进行细化。

    推荐理由:TEAL 框架在极低标注预算下实现语义分割,将 ViT token 空间选择与解码器网格不确定性结合,显著优于现有基线。

  2. arXiv · 机器人与计算机视觉78

    Race to Recovery:基于自动驾驶赛车学习的先进安全系统设计

    针对电子稳定控制系统难以处理打滑、水滑或急避导致的失控问题,该研究提出通过强化学习训练漂移策略并迁移至最小时间恢复任务的方法。作者定义了基于相平面的稳定平衡点作为恢复标准,开发了 Gym-Khana 用于控制器训练与评估。

    推荐理由:该研究通过强化学习训练漂移策略并迁移至恢复控制,在物理 F1TENTH 平台上验证了比传统方法更优的失控恢复能力。

  3. arXiv · 机器人与计算机视觉82

    视觉语言动作模型中的神经几何现象学

    arXiv 发布了一篇关于视觉语言动作(VLA)模型的研究论文,作者通过受控扫描、自然 rollout 和线性探针等方法,建立了 VLA 模型中七个任务相关概念的几何分类体系。

    推荐理由:该文通过受控实验揭示了 VLA 模型中任务相关概念的几何形态,证实了关节限制等物理约束会塑造激活空间的形状。

  4. Hugging Face Daily Papers82

    3DCodeVerse:构建可执行 3D 代码的研究生态系统

    论文介绍了 3DCodeVerse 研究生态,包含大规模可执行 3D 代码数据集 3DCodeVerse-2M、用于空间推理与自动验证的多智能体框架 Harness 以及实践指南。

    推荐理由:该工作构建了可执行的 3D 代码数据集与多智能体验证框架,显著提升了开源模型的 3D 编码能力。

  5. Hugging Face Daily Papers76

    Athanor:首个让智能体自主进行后训练的开放系统

    论文介绍 Athanor,这是一个在真实 GPU 上运行的开放智能体原生系统,旨在支持智能体的自主后训练研究(AutoPostTrain)。该系统赋予智能体完全的研究自主权,提供低摩擦工程工具、冻结评估服务、托管作业、去污染数据及持久化记录,且禁止使用外部教师模型。

    推荐理由:Athanor 系统在沙箱环境中让 Claude Opus 5.5 智能体自主完成基座模型的后训练,首次演示了前沿智能体重组已知方法即可达到官方指令微调版本的效果。

  6. Hugging Face Daily Papers84

    Gemini 4 Argon 智能体团队在 Minecraft 中实现端到端自主通关

    该研究将四个 Gemini 4 Argon 智能体置于受控的 Minecraft 生存世界,赋予其唯一目标:击败末影龙。每个智能体通过开源库 Mineflayer 控制玩家,利用游戏内聊天和共享记忆进行协作,未分配角色或编写游戏逻辑。

    推荐理由:该预印本报告了四个 Gemini 4 Argon 智能体在无预设种子和人工干预下,于 Minecraft 沙盒中自主击败末影龙的实验过程与策略。

  7. Hugging Face Daily Papers84

    MaLoW:一种将长期历史内化为权重的流式视频处理框架

    针对流式视觉语言模型需整合历史信息且保持对当前观测响应的挑战,本文提出 MaLoW 框架,利用循环超网络将视频观测增量整合为固定大小的 LoRA 权重,从而以参数形式携带历史信息而非占用上下文。

    推荐理由:提出将历史记忆内化为参数更新的框架,在长视频理解与具身智能任务上优于现有方法。

  8. Hugging Face Daily Papers83

    Speculative Forcing:一种用于高效自回归视频生成的推测性强制框架

    论文提出 Speculative Forcing 框架,将中间清洁估计视为草稿并预测何时可安全接受单个 token。一旦接受,token 即被冻结为最终输出不再去噪,其缓存键值仍作为上下文供后续 token 使用。

    推荐理由:提出 Speculative Forcing 框架,在视频生成中通过冻结早期合格 token 减少去噪步数,显著提速且保持质量。

  9. Hugging Face Daily Papers82

    HexaShell:一种用于探索 VLM 智能体作为机器人编程智能体极限的轻量级框架

    HexaShell 系统展示了基于视觉语言模型(VLM)的智能体通过编写和修复代码来控制双臂机器人的能力,而非直接学习策略。该系统仅将智能体的指令转化为机器人运动,利用三个 RGB 相机进行三角测量以定位物体,并在 RoboDojo 基准的 42 个任务上取得了 39.7% 的成功率和 48.0 的进度分数,刷新了该基准记录。

    推荐理由:HexaShell 系统展示了 VLM 智能体通过编写工具代码控制双臂机器人的能力,在 RoboDojo 基准上达到新 SOTA,并开源了演化出的工具集。

  10. Hugging Face Daily Papers83

    StopWatch:面向物体 - 目标导航的目标定位方法

    针对预训练视觉语言模型微调后的导航策略成功率低的问题,该研究诊断出核心瓶颈在于未能有效进行目标定位(goal grounding)。作者提出 StopWatch 方法显式地对导航目标进行定位,显著提升了任务成功率并在六个基准测试中达到最先进水平。

    推荐理由:该工作诊断出目标定位是导航策略失败的主因,通过显式 grounding 在六个基准上达到 SOTA 并修正了标注缺陷。

  11. 智东西 · 机器人82

    斯坦福和哥伦比亚大学发布机器人灵巧操作框架DexAgent

    斯坦福大学和哥伦比亚大学联合发布了基于自进化工具库的机器人灵巧操作框架DexAgent,由李飞飞、吴佳俊等参与研究。该框架能将单条人类第一视角视频转化为多样化的机器人训练数据,在仿真环境中重建物体物理交互并生成复合物理约束的运动轨迹。

    推荐理由:斯坦福与哥伦比亚大学联合发布DexAgent框架,利用AI Agent将人类视频转化为符合物理规律的训练数据,在11项真实任务中平均成功率达63.6%,是基线模型的3.5倍。

  12. 上海人工智能实验室 · 科研动态82

    上海 AI 实验室发布书生-S2 多模态大模型并破解三维 Ghys 猜想

    上海人工智能实验室访问学者许地生团队依托书生科学多模态大模型 S2,基于通专融合技术路径与人机协同模式,完成了困扰数学界三十余年的三维 Ghys 猜想证明。北京大学董彬教授、刘若川院士团队利用 SHEAF 框架对论文全部四个主定理完成形式化验证,证明已通过 Lean 检验。

    推荐理由:书生-S2 多模态大模型依托人机协同攻克三维 Ghys 猜想,形式化代码已公开,展示了国产模型在长程推理与科研级数学任务上的新能力。

  13. arXiv · 机器人与计算机视觉78

    Thinker-WM:一种用于具身智能的统一多模态世界模型

    Thinker-WM 是一种统一的多模态世界模型,通过共享中间层 Unified Dynamics Transformer 联合建模并生成 RGB、度量深度和机器人动作。

    推荐理由:Thinker-WM 提出统一多模态世界模型,在共享动力学表示下联合生成 RGB、深度与动作,并在 EWMBench 等基准中表现领先。

  14. arXiv · 机器人与计算机视觉82

    EmbodiedEvo:一种用于物理智能的自进化编码智能体

    论文介绍 EmbodiedEvo 框架,这是一种通过程序化机器人接口观察场景、执行控制并适应物理状态的自进化编码智能体。该方法将交互与推理预算转化为可复用的代码技能(Skills)和诊断教训(Lessons),在不更新模型权重的情况下冻结经验以支持未见场景中的独立智能体。

    推荐理由:该工作提出无需微调的自进化编码智能体,将物理反馈蒸馏为可复用技能与诊断教训,在仿真环境中实现经验跨场景迁移。

  15. arXiv · 机器人与计算机视觉82

    Interaction Latents as Actions for Contact-Rich Manipulation

    论文提出 ILA(Interaction Latents as Actions)方法,通过可解码的交互潜变量联合捕捉运动、接触和力的演化过程,将其作为策略动作单元。

    推荐理由:该工作提出用交互潜变量统一编码运动、接触与力演化,支持预训练 VLA 的后训练及从头训练流匹配策略。

  16. arXiv · 机器人与计算机视觉82

    CoTL:面向 3D 场景表示的紧凑令牌学习

    论文提出了 CoTL 框架,旨在从非位姿的多视图图像中学习一组紧凑令牌以保留场景几何和外观信息。该编码器将输入图像压缩为每个视图的小规模潜在令牌集,并通过跨视图聚合形成视图一致的场景表示。

    推荐理由:提出 CoTL 框架,通过紧凑令牌学习实现无位姿多视图图像的 3D 高斯场景重建与生成。