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 77 页

10月16日周五第 1521–1540 条
  1. arXiv · 机器人与计算机视觉82

    Dual-arm Cooperation for Tabletop Wiping with Temporal Object Removal

    该研究提出一种针对桌面擦拭的双臂协作规划框架,旨在解决表面清洁中散落物体的遮挡问题。不同于传统仅覆盖自由区域并绕行障碍物的策略,该方法明确分配一只手臂进行物体重排,另一只执行覆盖式擦拭,从而访问先前受阻区域。

    推荐理由:提出双臂协作框架,通过几何感知任务规划与运动优化,在存在散落物体时显著提升擦拭覆盖率与效率。

  2. arXiv · 机器人与计算机视觉78

    Dungeon and Visibility World Generator 开源框架发布

    Dungeon and Visibility World Generator 是一个开源框架,用于构建可复现的二维和三维环境并评估几何视线。该工具支持正交、多边形/多面体及曲线几何,涵盖六种构造家族(如分散房间、蜿蜒通道等),允许通过参数控制房间尺寸与障碍物布局。

    推荐理由:该框架提供可复现的二维三维环境生成与视线查询工具,支持多种几何类型与参数控制,适合机器人探索、覆盖及多智能体部署算法的评估。

  3. arXiv · 机器人与计算机视觉78

    Spectral World Renderer:统一 3D 高光谱解混的新方法

    针对现有高光谱解混在 3D 场景中缺乏已知成分多视图数据验证的问题,作者提出 Spectral World Renderer (SWR),通过编码智能体构建可执行的 3D 世界并使用测量光谱渲染,使每张高光谱图像均附带精确标签与亚像素比例。

    推荐理由:提出将世界生成与光谱解混统一的渲染框架,提供带精确标签的基准数据集及加速训练方案。

  4. arXiv · 机器人与计算机视觉82

    HiFun:一种用于高效功能灵巧操作的层次化框架

    针对多指灵巧手在执行任务时依赖精确接触、协同运动及错误恢复的难点,论文提出 HiFun 分层强化学习框架。该方法将控制复杂度解耦为负责精确接触的‘功能手技能’和负责臂控与激活技能的‘臂手协调策略’。

    推荐理由:提出分层强化学习框架 HiFun,通过解耦手技能与臂手协调策略,在两个灵巧手上实现 98.3% 平均成功率。

  5. arXiv · 机器人与计算机视觉78

    ActICL:面向代理多模态上下文学习的后训练方法

    论文介绍 ActICL,一种通过工具增强推理让多模态大语言模型(MLLM)自主判断信息缺口并渐进式检索演示样本的后训练方法。该方法在七个基准测试上平均性能提升 11.6 个百分点,优于标准相似度检索;其构建的上下文也能有效赋能前沿模型如 GPT-5.6-Sol。材料为 arXiv 预印本,未提及同行评审状态或具体部署结果。

    推荐理由:提出 ActICL 方法,通过工具增强推理让 MLLM 自主判断并渐进式检索演示样本,在七个基准测试上平均提升 11.6 个百分点。

  6. arXiv · 机器人与计算机视觉78

    Paraphrase Consensus Is Not Self-Consistency: Instruction Reliance and Robustness in VLA Policies

    该研究基于 LIBERO 数据集发现,Vision-language-action (VLA) 策略对特定指令字符串高度敏感,同义改写会导致基线 OpenVLA 成功率下降约 38.0 分。

    推荐理由:揭示指令微调策略对 VLA 模型鲁棒性的影响,指出同义改写无法恢复因指令依赖导致的性能损失。

  7. arXiv · 机器人与计算机视觉78

    $S^3$-Nav:面向语言引导机器人导航的结构化空间语义决策框架

    论文提出了$S^3$-Nav框架,旨在解决部分可观测环境下的语言引导机器人导航问题。该方法不预设完整环境表示,而是增量构建持久化的空间语义状态,仅向高层策略暴露容量可控的任务条件视图。

    推荐理由:该工作提出结构化空间语义决策框架,通过分离持久状态与策略视图提升导航可靠性并降低推理成本。

  8. arXiv · 机器人与计算机视觉85

    VideoHarness-SRSI:面向视频理解的结构化递归自我改进框架

    该论文针对智能体视频理解任务,研究如何从有限噪声反馈中可靠发现通用系统。作者首先提出 VideoHarness-BRSI 框架,但在分析 4000 多个候选方案时发现验证过拟合、搜索预算稀释和早期经验陷阱等失效模式。

    推荐理由:提出证据治理框架解决验证过拟合与搜索预算稀释问题,在四个基准测试中提升均分并缩小验证差距。

  9. arXiv · 机器人与计算机视觉78

    WinARDet:用于长视界视觉语言定位的压缩窗口自回归方法

    该研究针对多模态大模型在密集场景中因历史答案注意力接管导致的坐标重复生成问题,提出了压缩窗口自回归(WinAR)机制。该方法将长序列划分为连续生成窗口,仅对当前窗口进行全 token 级自回归,并将前序窗口压缩为固定数量的潜在 token 以条件化后续解码。

    推荐理由:针对密集场景下多模态大模型检测器的坐标生成循环崩溃问题,提出压缩窗口自回归机制以平衡历史依赖与注意力分配。

  10. arXiv · 机器人与计算机视觉78

    NavAble:面向盲助导航的大规模数据集与合成数据生成管线

    NavAble 是一个针对盲助导航感知的大规模数据集,涵盖 11 类无障碍关键物体(如听觉行人信号、门激活按钮等),整合了 4.1 万张精选开源图像和 8000 张新采集的密集标注真实世界图像。

    推荐理由:NavAble 数据集与合成生成管线公开,填补了盲助导航关键物体类别的数据稀缺问题。

  11. arXiv · 机器人与计算机视觉78

    空域与遥感视频理解的几何差距:多面体元分析与 AVU-Card 报告卡

    论文论证了将空域视频像网页视频一样用 MLLM 做选择题评测的方法存在偏差,无法反映真实感知能力。研究通过元分析发现模型规模提升对空域基准的增益远低于人类差距,且采集条件(如高度、视角)显著影响准确率。现有基准缺乏闭环导航任务与跨视图几何测试,导致能力评估崩塌。作者据此提出五条可证伪原则,并建议采用 AVU-Card 报告卡规范未来评测标准。

    推荐理由:该文通过元分析指出当前空域视频评测指标失效,提出几何感知缺失原则并建议采用 AVU-Card 报告标准。

  12. arXiv · 机器人与计算机视觉82

    MonoMIP:基于多高度逆透视映射的单目 3D 目标检测

    MonoMIP 是一种针对单目 3D 目标检测的新方法,旨在解决传统深度引导 Transformer 在透视图像平面中因近大远小效应导致的空间关系扭曲问题。

    推荐理由:该工作提出双解码器框架,利用多高度逆透视映射构建度量鸟瞰图特征以缓解单目深度估计中的形变问题。

  13. Hugging Face Daily Papers83

    VITAL:从视觉运动到精确动作

    论文提出 VITAL(Vision-Induced Tokens for Action Learning),旨在将视觉预期转化为驾驶决策。该方法通过耦合视觉导出的运动骨架与紧凑残差编码,使视觉运动成为主要预测目标,同时为轨迹误差提供独立的归一化学习尺度。

    推荐理由:该工作提出 VITAL 方法,将视觉运动作为动作预测主目标并引入残差编码,在 NAVSIM v1/v2 测试集上实现接近多步推理的精度与速度。

  14. Hugging Face Daily Papers78

    Cortex:将上下文整合进参数化记忆

    该研究提出 Cortex 框架,旨在解决大语言模型在移除上下文后性能丧失的问题。通过生成前瞻性查询并蒸馏上下文条件输出为低秩或结构前馈网络更新,该方法实现了记忆巩固与能力保留的平衡。

    推荐理由:报告提出 Cortex 方法,将上下文增益蒸馏为可合并的参数更新,在保持非目标能力同时实现记忆巩固。

  15. Hugging Face Daily Papers78

    StreamErase:面向超快流式视频擦除的研究

    该论文针对现有视频物体移除方法延迟高且无法实时交互的问题,提出了 StreamErase 模型。该方法在文本到视频模型基础上引入掩码输入,并通过滑动窗口因果注意力与 KV 缓存滚动技术,将强大双向基础模型的擦除能力迁移至高效单向流式生成器,实现了单 GPU 下低于秒级延迟、最高 26 FPS 的实时流式生成及任意长视频处理。

    推荐理由:提出 StreamErase 方法,通过滑动窗口因果注意力实现视频对象擦除的实时流式生成与无限时长扩展。

10月15日周四
  1. Hugging Face Daily Papers78

    GlobeBench:评估可扩展环境仿真的文本世界模型能力

    该论文提出 GlobeBench 基准,包含跨五个领域的 1632 个任务,用于评估文本世界模型对 RL 环境状态转换的模拟能力。研究对比了 20 种通用大语言模型与专用文本世界模型,发现 GPT-6 Astra 在任务成功率上最高为 49.57%,但在涉及多对象依赖传播的任务中平均成功率仅 5.1%。基准采用混合架构结合确定性门控与语义判断器进行验证,并开源了代码与数据。

    推荐理由:GlobeBench 基准通过 1632 个任务评估文本世界模型的仿真能力,揭示 GPT-6 Astra 等模型在复杂环境响应预测上的局限。

10月14日周三
  1. Hugging Face Daily Papers78

    LEV:一种通过循环层实现快慢思考的决策模型

    论文介绍 LEV 模型,这是一种无需生成文本即可进行深度推理的决策模型。该模型通过在训练好的语言模型基础上循环运行其层来增加推理深度,从而在保持单次前向计算的同时提升对复杂问题的回答准确率。实验显示,LEV 在硬任务上的准确率随深度增加而显著提升,且能通过小阈值动态调整推理深度以节省约 15% 至 24% 的计算量。

    推荐理由:提出循环决策模型架构,在无需生成文本的情况下通过迭代层实现深度推理,显著降低硬任务计算成本。

  2. Hugging Face Daily Papers82

    Orbia:首套用于系统性评估交互式世界模型三维一致性的基准

    视频生成器虽能构建交互世界,但生成的帧未必描绘一致的三维场景。现有基准缺乏对三维一致性的系统性评估。本文提出 Orbia 基准,首次从输入保持、生成内容持久性和三维自洽性三个维度,通过受控探索与回访机制,量化评估模型在外观、几何及空间稳定性上的表现。

    推荐理由:Orbia 基准填补了交互式世界模型在三维一致性评估上的空白,提供了一套涵盖输入保持、生成内容持久性与三维自洽性的系统评测框架。

  3. Hugging Face Daily Papers78

    SERO:基于可执行预言机续写的长视界智能体强化学习

    该论文针对长视界智能体强化学习中因策略探索失败导致无法有效分配信用的问题,提出 SERO 方法。该方法在恢复当前策略实际到达的状态后,利用仅用于训练的预言机与环境交互,获取下游观测与动作作为监督信号,并通过策略可达性加权优化损失函数。研究在 ALFWorld 和 WebShop 两个基准上验证了该方法的有效性,且推理阶段无需使用预言机。

    推荐理由:提出 SERO 方法,利用可执行预言机续写解决长视界强化学习的监督难题。

  4. Hugging Face Daily Papers78

    DeLoop:通过重复动作作为自监督实现长视界智能体的训练优化

    针对语言模型智能体在长任务中频繁出现重复工具调用(循环)的问题,论文提出 DeLoop 方法。该方法利用智能体自身的 rollout 数据,将循环动作视为负样本、后续非循环动作为正样本,通过直接偏好优化进行自监督训练,无需外部奖励或人工评判。

    推荐理由:提出利用自身循环行为进行自监督训练的 DeLoop 方法,无需奖励或人工评判即可降低长任务中的重复操作并提升成功率。