看懂周报 · 2026 年第 44 周 · 10.26 — 11.01
kandong
本周智能驾驶领域发布支持生成选择架构的Autoware 2.0及行业首用大模型测算力的X7 Ultra芯片;具身智能方面,多家机构推出提升长程任务能力与触觉泛化的新框架并评估机器人生产力;世界模型与仿真板块开源了统一视觉语言基座及端侧预训练模型;计算机视觉领域则实现了文档解析、算子提速及蛋白质设计等多项突破。
Ψ-0.6:统一视觉语言世界模型中的自适应思维流
论文介绍 Ψ-0.6,这是一个统一的视觉 - 语言世界模型,能够在共享的推理过程中自适应地组合感知、语言、几何和仿真模块。该模型通过“思维流”交错处理图像、文本以及显式的几何与运动表示,支持反事实模拟以判断物体移动是否阻碍路径等任务。
智能驾驶
Autoware 2.0 发布:引入扩散规划器与生成 - 选择架构
Autoware 2.0 正式发布,在原有规则基线栈旁新增 AI 规划器选项,采用生成 - 选择架构让用户通过 launch 参数选择 Diffusion Planner。基础模型与数据集已迁移至 Hugging Face,并引入 Autoware Index 管理外部仓库及 Autoware Reference Design 提供可复现的部署配置。
新芯航途发布X7 Ultra:行业首用大模型测算力的车规级NPU
新芯航途正式发布首款面向智驾大模型的芯片X7 Ultra。该芯片首次采用Momenta R7世界模型作为实测基准,在保持量化输出与FP32相似度超99.99%的前提下实现98.7%的NPU计算利用率。
具身智能
ZAP:通过仿真教学实现机器人策略的组成性泛化
论文介绍 Zero-real Agent Policy (ZAP),该方法利用预训练的 27B 参数模型理解任务,并通过在简单仿真任务上进行监督微调及 GRPO 训练来学习操作策略。
FTP-1:一种面向多种触觉传感器的通用触觉基础策略
FTP-1 是首个通用的触觉基础策略,旨在解决现有触觉策略依赖固定本体和传感器的问题。该模型通过异构编码器将图像、阵列及状态信号投影为统一的形态感知潜在 token,并由共享触觉 Transformer 专家联合建模。
LOGIV:用于长程机器人任务的因果本地化修复图验证执行框架
论文介绍 LOGIV 框架,旨在解决智能体机器人在执行高维目标时物理条件失效的问题。该框架利用显式任务图连接符号规划、观测验证与具身动作,将验证后的计划编译为条件支撑与资源排序边,并在执行中检查其物理有效性。
跨维智能联合高校发布TaskAnchor提升机器人长程任务能力
跨维智能联合香港中文大学(深圳)、佛山大学、华南理工大学发布TaskAnchor技术,旨在解决长程操作中因画面信息不足导致的任务状态混淆问题。该技术通过轻量适配器接入历史信息,输出任务状态坐标并利用上下文自适应测试时训练模块补充历史视觉证据。
智元发布 Worken 机器人生产力评估框架及 AHA3 平台与 GO-3 Preview 模型
智元在 AGIBOT Innovation Day 2026 上推出 Worken(有效智能工作小时)框架,用于衡量机器人在真实环境中的自主产出效率。
禾赛科技发布机器人运动与三维世界数据引擎
禾赛科技宣布布局机器人运动引擎与三维世界数据引擎,旨在构建物理AI时代的基础设施。动力模组体积缩小37%、功率密度提升3倍,已赋能Sharpa灵巧手并进入英伟达参考方案;Kosmo系统可同步生成多种三维形态,在DQ冰淇淋门店部署中使任务成功率提升至99%。截至2026年第二季度末,禾赛已累计交付动力模组超1万套,正从激光雷达公司向物理AI基础设施公司转型。
世界模型与仿真
WorldFlow:通过大规模预训练实现视频与 3D 运动联合预测
针对现有视频世界模型隐含 3D 动力学、动作表述绑定特定机器人配置以及 3D 运动预测仅使用流监督信号等局限,该工作提出 WorldFlow,这是一个生成式世界模型,能够联合预测未来视频和基于查询的 3D 轨迹。
无界动力发布并开源MWA™-Phoenix隐空间世界模型基座
无界动力正式发布并开源MWA™-Phoenix端侧7B参数完整预训练模型,该模型在LIBERO-Plus、LIBERO-Pro等六项评测中取得领先成绩,验证了其在环境扰动与复杂操作方面的能力。
视频世界模型的潜变量为何与动作相关:预测优于重建
论文研究了不同预训练信号如何诱导视频世界模型潜变量中的动作相关结构。研究通过统一的逆动力学探针评估发现,时序视频预训练主要驱动了动作相关性,而像素重建保真度并非关键;具有强解码质量的模型可能表现出近零的动作恢复能力。此外,逆动力学监督显著提升了模型对视觉扰动的鲁棒性。该工作已接受至 CoRL 2026。
大晓机器人联合南洋理工大学发布世界模型 Mundo
大晓机器人联合南洋理工大学S-Lab发布面向具体环境的世界模型Mundo,具备场景重建、自由视角探索和时空模拟能力。该模型仅需1至12张真实图像即可构建可编辑的三维代理场景,并通过代码定义物体质量与摩擦等物理属性,利用MuJoCo引擎计算运动与碰撞,最终由视频扩散模型渲染出符合物理规律的动态画面。
地瓜机器人开源世界模型仿真平台Uranus
地瓜机器人大模型团队于10月27日开源世界模型仿真平台Uranus,发布技术报告、推理代码、SDK及两个版本模型权重,面向全球开放早期体验名额。
计算机视觉
See What I Need, Dream What I Want:一种基于自构建表示空间的导航基础模型
论文提出了 RepresentNav 导航基础模型,该模型构建了由策略自身目标驱动的视觉表示空间。通过 Representation Residuals 模块整合多模态视觉编码器特征,实现端到端训练的策略与潜在思维链联合嵌入预测架构(JEPA)。
Iris:基于可复用选项记忆的类型化视觉决策框架
论文介绍 Iris 框架,支持图像、文本或混合候选人的类型化决策任务。研究证明在 Iris 架构下可实现严格的顺序不变性与精确缓存复用,并在 MetaEncoder 基准上超越更大参数量的模型。此外,通过重构 Qwen3.5 的卷积层为矩阵乘积形式,解决了 Ampere GPU 上的系统瓶颈,处理速度提升 350 倍。代码、数据与检查点已开源。
面壁智能开源ForgeKernel:AI Agent零帧起手将DeepSeek核心算子提速9.8%
面壁智能开源算子生成系统ForgeKernel,其Agent在无源码、无论文参考情况下,于英伟达B200上通过42轮迭代将FlashMLA Prefill算子耗时从518微秒降至472微秒,超越人类手写巅峰9.8%。该系统在昇腾CANN三大榜单均排名第一,且已在国产芯片与英伟达平台完成MiniCPM5-1B长训测试,标志着AI研发主体正从人类转向模型。
国产开源OXR模型三项榜单第一,1.3B参数实现高速高精度文档解析
SoMark团队发布国产开源OCR模型OXR,参数量仅1.3B,在OmniDocBench、olmOCR-Bench和DocParsingBench三项全球榜单中均位列第一。
分子之心发布MMDesign技术报告:19个项目18个成功,拿下高难度GPCR靶点
分子之心发布了其AI蛋白质从头设计平台MMDesign的最新技术报告,覆盖18个不同靶点共19个设计项目,其中18个项目获得经实验确认的结合分子,项目成功率达94.7%。
岩山科技联合港科大、CMU开源EdgeRock-4B模型
岩山科技旗下岩芯矩阵联合港科大、CMU等高校发布并开源了EdgeRock-4B模型,该模型基于Qwen3.5-4B改造,采用记忆岩锚(RMA)机制将每条序列的KV Cache固定在72 MiB,不随上下文长度增长。