看懂周报 · 2026 年第 42 周 · 10.12 — 10.18
kandong
本周智能驾驶领域,图达通第三季度激光雷达出货约 26.89 万台,Waymo 宣布进军多伦多并于 2028 年开启自动驾驶网约车服务;具身智能方面,优必选发布在三大基准全榜第一的 Thinker-WM 世界模型,奥比中光推出适用于移动平台的 Pulsar MH24 激光雷达。计算机视觉与仿真领域,何恺明团队提出无需额外训练的 VISTA 框架,DeepSeek 发布优化运行时的 V4.1-Flash-1017 模型。
VLMs are Native Action Models:通过显式动作空间定位释放 VLM 的操作能力
论文介绍 EASG(Explicit Action-Space Grounding)框架,旨在解决将预训练视觉语言模型转化为通用机器人策略的挑战。该方法通过将工具中心点(TCP)坐标系投影到手腕相机观测中,并将连续机器人动作表达为 VLM 原生文本生成接口,使 VLM 能直接利用其现有的视觉 - 空间推理能力生成可执行的动作,无需机器人动作预训练或额外动作模块。
智能驾驶
本版导读图达通第三季度出货约 26.89 万台,Waymo 计划 2028 年在多伦多开展自动驾驶网约车服务。
Torc:超越模仿学习,自博弈强化学习赋能端到端自动驾驶
Torc Robotics 与 Mila、NYU 合作发表论文,展示如何用自博弈强化学习训练从相机图像驱动的端到端模型。方法先利用简化渲染器 Gigapixel(单卡 A100 每秒约 5 万步)训练结构化输入的强化学习教师策略,再通过 DAgger 蒸馏至相机学生策略并适配真实感知。
图达通宣布2026年第三季度激光雷达出货约26.89万台
盖世汽车获悉,图达通于10月12日宣布2026年第三季度激光雷达产品总出货量约26.89万台,同比增长约217%。前三季度累计出货量约91.98万台,已超过2025年全年出货量的2倍。
Waymo 正式进军加拿大多伦多,目标 2028 年开启自动驾驶网约车服务
Waymo 官方宣布正式进入加拿大,计划在多伦多开展完全自动驾驶网约车服务,预计 2028 年迎来首批乘客。目前车辆将在当地进行手动驾驶测试,以配合高精度地图绘制和驾驶员验证工作。
具身智能
本版导读优必选 Thinker-WM 在三大基准全榜第一,奥比中光 Pulsar MH24 支持移动平台应用。
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。
世界动作模型需要何种视觉表征?R^2-WAM 实现具身智能新 SOTA
世界动作模型(WAMs)继承了预训练视频生成模型的先验,但其变分自编码器(VAE)的视觉表征是为重建优化的而非操作。本文系统对比了多种视觉表征、五种融合机制及特征组合,发现强通用视觉表征能提供更广鲁棒性;通道级联合预测取得最高平均成功率;额外信息源需根据任务相关性选择。
优必选发布 Thinker-WM 具身世界模型:三大基准全榜第一,支持六大能力模式
优必选发布自研具身世界模型 Thinker-WM,在 WorldOlympiad、EWMBench 和 WorldArena1.0 Track-1 三大公认基准评测中均位列第一。
奥比中光在广交会发布 Pulsar MH24 3D 激光雷达
奥比中光在广交会发布 Pulsar MH24 紧凑型 24 通道 3D 激光雷达,适用于割草机器人、AMR 及配送机器人等移动平台。该产品具备 66.6×62.1×66 mm 尺寸与 210 g 重量,支持 360°水平扫描和 0.1 m 最小探测距离,能在≥100,000 lux光照下工作并满足 IP6K6防护等级。
世界模型与仿真
何恺明团队发布视觉原生Harness框架VISTA
何恺明团队在论文《VISTA: A Visual Harness for Reasoning in an Interactive World》中提出VISTA框架,让多模态模型无需额外训练即可观察环境、保存原始画面并在推理时回看细节。
计算机视觉
本版导读何恺明团队 VISTA 框架无需额外训练即可观察环境,DeepSeek 新模型优化运行时间与 Token 消耗。
MSP:一种无需成对跨模态数据的多模态大模型训练方法
该论文提出了 Modality Self-Play (MSP) 框架,旨在解决对齐多模态数据集昂贵且难以扩展的问题。该方法利用代理文本描述作为未见模态的语义桥梁,使模型在仅观测到真实锚点模态(如图像或音频)及伴随的代理描述的情况下,无需真实的成对非文本监督即可实现零样本跨模态组合与推理。
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。
DeepSeek 发布 V4.1-Flash-1017 模型及自研搜索 API
DeepSeek 正式发布新模型 DeepSeek-V4.1-Flash-1017,该版本在代码与 Agent 任务基准测试中表现提升,同时优化了运行时间与 Token 消耗。
MJev-Spatial:基于原生注意力匹配的系统一空间智能模型
针对视觉语言模型在空间关系判断、距离测量和物体定位等任务中需进行自由文本生成且效率低下的问题,本文提出 MJev-Spatial 系统一多模态决策模型。该模型将候选选项视为类别,利用骨干网络预训练查询和键投影直接打分,无需增加参数即可处理选择、数值预测和点预测三类空间理解任务。