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 78 页

10月14日周三第 1541–1560 条
  1. Hugging Face Daily Papers85

    MAI-Gym:面向移动与计算机环境的 GUI Agent 评测与 RL 训练开源平台

    论文介绍 MAI-Gym 这一开放的一体化平台,统一了移动端、电脑端和 Web 端的 GUI Agent 评测、数据收集及在线强化学习训练流程。该平台通过共享部署管道确保行为一致性,支持十个基准测试并扩展至两万并行环境实例。

    推荐理由:MAI-Gym 平台统一了移动与计算机环境的 GUI Agent 评测与在线强化学习训练,支持合成任务并实现了从模拟到物理设备的技能迁移。

  2. Hugging Face Daily Papers82

    Pack Light, CarryOn:构建面向长周期智能体的面向对象上下文

    论文介绍 CarryOn,一种将长周期任务上下文组织为可复用对象的运行时机制,避免依赖压缩的历史记录。该方法通过维护载体记录、结合环境检查更新基础信息并保留未受影响记录,在 OSWorld 2.0 和 BrowseComp-Plus 基准上分别提升性能 5.8% 和 7.0%,同时降低 Token 使用量 51.9% 和 22.9%。材料为预印本论文,提供 GitHub 项目页面链接。

    推荐理由:提出 CarryOn 对象化上下文运行时,在 OSWorld 和 BrowseComp-Plus 上提升性能并显著降低 Token 消耗。

10月13日周二
  1. Hugging Face Daily Papers78

    基于信念更新与世界模型的长程智能体失败恢复方法

    针对长程智能体难以从早期错误中恢复的问题,本文提出了 BELIEFWEAVER 框架。该方法通过维护前沿、尝试、观测和检查点的关系信念状态,利用执行证据更新优先级并控制执行,同时使用隐式世界模型评估修复假设以指导探索。研究进一步通过监督微调与在线策略蒸馏,将推理组件压缩至 9B 学生模型,在三个终端基准测试中相比原生基线显著提升了最终得分,并将教师模型 API 调用成本降低了 54.8%。

    推荐理由:该工作提出结合信念更新与世界模型的长程恢复框架,并通过蒸馏将推理成本降低一半以上。

  2. Hugging Face Daily Papers85

    Socratic Skill Learning:交错教学与实践以获取可迁移的智能体技能

    论文介绍 Socratic Skill Learning (SSL) 框架,该框架让智能体在专家指导下进行自我练习与技能编写,从而获得可复用的任务知识。研究构建了包含 35 个任务家族和 408 个执行案例的 SkillTransferBench 基准进行测试。

    推荐理由:提出 Socratic Skill Learning 方法,通过 interleaved teaching 提升 Agent 技能复用性,并开源基准与代码。

  3. Hugging Face Daily Papers82

    Game2Real-Bench:玩具游戏能否揭示并迁移至现实世界的视觉推理?

    论文提出了 Game2Real-Bench 基准,旨在研究基于玩具游戏的评估指标是否对应真实世界的视觉推理能力。作者构建了包含 1000 个可执行验证的游戏样本和 400 个按推理要求对齐的真实世界样本,对 25 种代表性 VLM 进行了测试,观察到游戏与真实场景间高达 0.935 的相关性。

    推荐理由:该基准通过对比玩具游戏与真实世界样本,量化了视觉推理能力的迁移效果,为评估 VLM 在复杂场景下的泛化性提供了新工具。

  4. Hugging Face Daily Papers83

    重新思考多模态大模型中的投影器训练:PORTAL 免配对数据实现性能匹配

    论文发现投影器训练仅需少量数据即可恢复大部分下游增益,且不同数据集训练的投影器可线性插值。为此提出 PORTAL 方法,利用各模态的摘要统计量构建最优传输映射,无需配对图像 - 文本数据或梯度优化即可初始化投影器。

    推荐理由:提出无需配对数据的无梯度初始化方法,在多项基准上接近或超越标准微调流程。

  5. Hugging Face Daily Papers78

    Evidence-First Agentic Verification:一种基于证据优先的智能体验证方法

    针对长程半可验证智能体任务依赖评分标准却易受错误报告影响的问题,研究提出 Sauron 验证器。该方法独立调查环境状态与执行轨迹,仅在验证来源后接受声明,并通过有界查询减少冗余工作。

    推荐理由:Sauron 方法在长程任务中通过独立验证证据提升评估准确率,相比基线成本更低且抗攻击性强。

10月12日周一
  1. arXiv · 机器人与计算机视觉82

    Playing the network backward:一种博弈论归因框架

    该论文针对反向归因方法缺乏统一比较框架的问题,引入基于扩展网络图的博弈论框架。在此框架下,梯度和alpha-beta-LRP等方法被重构为特定均衡下的游戏轨迹积分,解释属性可转化为策略正则化等博弈概念。在ViT-B/16模型上,一种改进的alpha-beta-LRP方法在所有考虑的定位指标上均优于先前的反向归因方法。

    推荐理由:提出基于博弈论的归因框架,将梯度与LRP等方法统一为轨迹分布投影,并在新架构下提升定位指标。

  2. arXiv · 机器人与计算机视觉78

    EmbodiTTA:面向具身视觉系统的资源高效测试时自适应方法

    该预印本论文针对资源受限边缘设备,提出一种按需触发(on-demand)的测试时自适应新范式及 OD-TTA 框架。该方法通过轻量级域偏移检测机制仅在必要时激活自适应、引入源域选择模块确保高鲁棒性准确率,并采用解耦批归一化更新方案实现小批量内存高效适配。

    推荐理由:提出按需测试时自适应框架,在资源受限边缘设备上显著降低能耗与计算开销。

  3. arXiv · 机器人与计算机视觉82

    Watch, Recall, Act: Always-On Robots in Concurrent Embodied Streams

    论文提出了 ARMS(Always-on Robot in Multi-modal Streams)框架,旨在解决机器人面对无限流任务时所需的持续观察、回忆过去动作及双臂并发执行挑战。

    推荐理由:该工作提出 ARMS 架构,利用预训练骨干与轻量模块解决双臂并发下的持续感知、记忆与行动问题。

  4. arXiv · 机器人与计算机视觉77

    DIDO:将交互中心动力学蒸馏为一步去噪的世界动作模型

    世界动作模型(WAMs)利用视频生成预测机器人操作的未来视觉动态,但迭代去噪引入了闭环控制的额外延迟。研究发现静态背景结构收敛快而夹持器与物体的交互动力学需多步才能显现,直接截断会丢失关键信息。

    推荐理由:针对多步视频生成在闭环控制中的延迟问题,提出 DIDO 方法将交互动力学蒸馏至单步去噪,结合视觉推理 token 与 DINOv3 对齐,显著降低推理耗时并提升操作成功率。

  5. arXiv · 机器人与计算机视觉82

    DRIFT:利用对抗补丁破坏流匹配 VLA 的去噪轨迹

    论文指出流匹配视觉语言动作(VLA)模型如 pi0 声称的抗干扰能力存在幻觉,源于以往攻击忽略了多步去噪常微分方程。作者提出 DRIFT 方法,通过在机器人夹爪上放置单个通用对抗补丁,仅攻击第一个去噪步骤即可破坏任务求解率。实验在四个 LIBERO 套件上的 pi0 和 pi0.5 模型验证了该方法的有效性,其效果远超动作空间和嵌入空间的攻击基线。

    推荐理由:该工作揭示了流匹配 VLA 模型在去噪轨迹上的脆弱性,提出了一种仅需攻击首个去噪步骤的通用对抗补丁方法。

  6. arXiv · 机器人与计算机视觉83

    BrickCraft:基于情境化手动引导的长周期互锁积木组装视觉运动技能组合

    论文提出了 BrickCraft 框架,旨在解决长周期互锁积木组装任务中高层规划与物理执行的鸿沟。该方法采用相对公式建模组装过程,将复杂任务分解为有限可复用的基础技能;利用情境化手动引导(situated manuals)将组装意图投影到实时机器人观测上,提供显式空间指导;并通过模块化执行流水线串联这些基于空间的技能以完成长周期任务。

    推荐理由:提出 BrickCraft 框架,通过相对公式与情境化手动引导实现长周期积木组装技能组合。

  7. arXiv · 机器人与计算机视觉82

    通过神经算子实现软体机器人的无限维闭环逆运动学

    针对欠驱动软体机器人构型空间无限维且难以解析建模的问题,本文提出一种基于神经算子网络的闭环逆运动学算法。该方法将驱动到形变映射与形变到任务映射组合,利用无限维链式法则推导雅可比矩阵,并通过可微神经网络学习复杂的软体动力学模型。研究首先在恒定曲率段进行理论分析,随后在三纤维软体机械臂上验证了基于形态弹性理论和主动丝理论的算法有效性。

    推荐理由:该文提出基于神经算子的无限维闭环逆运动学方法,解决欠驱动软体机器人的控制难题。

  8. arXiv · 机器人与计算机视觉78

    HumanX:从人类视频迈向敏捷通用的类人形交互技能

    HumanX 是一个统一框架,无需针对每个任务设计奖励函数,即可将人类视频编译为具身智能机器人的通用交互技能。该框架包含两个核心组件:XGen 用于从单目视频生成物理合理的交互数据并扩充数据集;XMimic 则利用秒级演示学习可泛化的交互技能。

    推荐理由:该框架将人类视频转化为可泛化的机器人交互技能,在五项任务中实现零样本迁移至物理机器人。

  9. arXiv · 机器人与计算机视觉78

    通过反演理解基于 Transformer 的视觉模型

    该研究提出一种新的模块化特征反演方法,利用逆网络从中间表示重建图像,在计算效率上更优且能生成语义连贯的重建结果。作者将方法应用于 DETR、ViT、Swin Transformer 和 DEIT 等大规模 Transformer 架构,分析不同深度的重建效果。

    推荐理由:提出模块化特征反演新方法,揭示 Transformer 模型内部层间表征变化与细节保留差异。

  10. arXiv · 机器人与计算机视觉78

    MAGMA-Bench:面向动态任务与执行失败的长周期具身智能体评测基准

    论文介绍了 MAGMA-Bench 这一架构无关的评测基准,用于评估具身智能体在动态多机器人环境下的持久任务推理能力。该基准涵盖从简单到复杂的任务跨度,并引入受控的在线扰动(如执行失败、任务中断和任务更新),要求智能体协调具有异构能力的机器人。

    推荐理由:该基准针对长周期多机器人任务中的动态干扰与执行失败提供架构无关的评测,并公开了训练数据与专家轨迹生成管线。

  11. arXiv · 机器人与计算机视觉78

    AlphaNIST:从稀疏二元奖励中涌现的装配技能

    论文提出 AlphaNIST 框架,在仿真环境中训练单一策略从零学习 NIST Assembly Task Board #1 上的全部 20 个装配任务,整体训练成功率达 98.2%,无需演示、进度塑形或脚本化原语。该策略还能在同一回合内完成十对零件的无序装配,并涌现出选择后续抓取、利用几何重定向及分步准备等灵巧与规划类行为。材料为预印本,链接指向 arXiv。

    推荐理由:该预印本报告在仿真环境中,仅凭稀疏二元奖励和任务多样性训练出单一策略完成 NIST 装配板全部 20 个任务,无需演示或进度塑形。

  12. arXiv · 机器人与计算机视觉78

    WaveMark:面向扩散模型的鲁棒小波域图像水印

    针对扩散模型生成图像的版权溯源与滥用归因需求,现有最强去除攻击易抑制嵌入信号且感知质量下降。本文提出 WaveMark 方法,将消息嵌入扩散模型的初始噪声中,通过在空间位置、小波方向和尺度分布密钥副本,并利用幅度投影提供显式解码余量以支持鲁棒恢复。

    推荐理由:提出 WaveMark 方法,在扩散模型初始噪声嵌入水印,面对主流去除攻击仍保持高准确率。

  13. arXiv · 机器人与计算机视觉78

    基于固定点流匹配的强化学习方法

    针对最大熵和受约束行为强化学习中最优策略采样困难的问题,本文提出了固定点流匹配(FFM)这一无需训练数据的方法。该方法利用目标流恒等式将演员更新构建为固定点迭代,以评论器的动作梯度作为回归目标进行流匹配风格的优化。实验表明,FFM 能有效微调预训练流策略并支持从零开始的在线强化学习训练,确立了其在不依赖训练数据情况下学习表达性流策略的原则性方法地位。

    推荐理由:提出无需训练数据的固定点流匹配方法,解决在线强化学习中策略分布采样难题。