跳到正文
11月5日周四
  1. arXiv · AI26

    MESA:面向机器人语言条件策略组合、语义与空间泛化的评估框架

    研究人员提出 MESA 评估框架及基于改进版 MimicGen 的 MESA-Gen 生成管线,并发布了双臂基准 BiMESA。 该框架通过五个测试套件隔离四种泛化轴,评估了包含扩散策略和预训练 VLAs 在内的七种基线方法。 最强模型在 MESA 与 BiMESA 中分别仅获 52% 和 49% 成绩,排名与 RoboArena 分数一致。

  2. arXiv · AI30

    Jev-AD:基于语言世界模型的安全语言引导自动驾驶

    Jev-AD 结合类型化决策模型 Jev 与语言世界模型,通过预判候选动作后果提升驾驶安全性。 模拟高速合流中,碰撞率从 26.0% 降至 2.4%;NGSIM 真实数据回放中,碰撞率从 48.2% 降至 2.8%,世界模型预判 93% 的危险动作。 该模型在 0.25 秒决策周期内,实现了 93% 的自由指令意图满足率。

  3. 机器之心73

    Liber-0 技术报告:1 万小时手套数据效率超 200 万小时视频,具身智能进入全栈 Scaling 阶段

    LiberAI 发布新一代世界动作模型 Liber-0 及详细技术报告。实验显示 1 万小时自研手套数据在精细操作效率上超过 200 万小时互联网视频,且 25% 真机示范结合完整手套数据即可超越 100% 真机基线。该模型通过统一本体表征与多模态注意力,显著提升了机器人在未知任务中的 Zero-shot 泛化与长程执行能力。

  4. 量子位62

    百度ApolloWorld世界模型发布:实时推演全局交通,虚拟测试效率显著提升

    百度Apollo正式发布世界模型ApolloWorld,能利用AI构建交互式虚拟交通环境,支持Robotaxi完整行程级的路测与验证,一天完成的虚拟里程相当于实车三年。该模型已应用于萝卜快跑全球化测试,并提出了“2+3”评价框架,通过因果性、交互性等维度确保世界模型能真实反映物理规律,从而解决L4无人驾驶长期验证难题。

  5. 机器之心79

    百度发布具身世界模型 Apollo World,实现无人车虚拟闭环交互测试

    百度 Apollo 披露具身世界模型 Apollo World,支持无人车在虚拟城市中与 AI 智能体驱动的参与者进行实时交互,日虚拟路测里程可达 10 万公里。该模型通过因果自回归多模态生成技术,实现全订单流程推演及环境动态切换,与 Waymo World Model 形成差异化竞争,旨在降低规模化部署成本。

    推荐理由:揭示了百度 Apollo World 在虚拟环境中的交互式测试机制,通过对比 Waymo 展示了其在长程任务推演上的差异。

11月4日周三
  1. IT之家50

    魔芯科技发布华为昇腾原生4D世界模型 MoWorld 2.0

    魔芯科技发布基于华为昇腾原生的 4D 世界模型 MoWorld 2.0。该模型融入多重物理要素,输出可实时渲染、反复调用的 4D 高斯资产。 视频推理提升至 70 帧每秒,3D/4D 资产渲染超 500 帧每秒,手机端渲染约 100 帧每秒。推理成本最低可降至同等 GPU 方案的 30%。 应用于具身智能、自动驾驶及数字孪生等领域。

  2. IT之家26

    蔚来李斌称智能电动汽车是出货量最多的具身智能体

    蔚来创始人李斌在乌镇峰会指出,智能电动汽车是出货量最多的具身智能体,其从感知到执行的大模型流程已跑通。 李斌认为智能电动汽车已成为最大的AI应用产业,其智能辅助驾驶系统基于世界模型架构和闭环强化学习,已部署在超过95万辆车上,安全行驶里程超91.4亿公里。 这意味着汽车行业在具身智能和AI应用领域具有广泛的产业地位和实际价值。

  3. 商汤科技SenseTime44

    大晓机器人联合南洋理工大学发布可交互世界模型 Mundo

    大晓机器人联合南洋理工大学S-Lab发布世界模型Mundo。该模型支持输入1至12张图像构建可探索三维空间,并将物体质量、摩擦等物理属性纳入场景程序。Mundo通过物理引擎计算运动碰撞,结合视频模型渲染,使场景能响应动作。此能力为机器人导航与操作训练提供环境支持,助力其进入商业场景。

  4. 量子位71

    招商局狮子山实验室发布「驭物™ Lion-ER-35B-A3B」具身推理模型

    招商局狮子山人工智能实验室发布具身推理视觉语言模型「驭物™ Lion-ER-35B-A3B」,该模型采用 MoE 架构,总参数 35B 但每个 Token 仅激活约 3B 参数。模型在十项主流具身相关基准上全部指标上涨,等权综合均分达到 65.29,多项核心能力超越更大参数量模型。权重已在 Hugging Face 开源,兼容 Transformers、vLLM 和 SGLang 等框架。

    推荐理由:展示了能力牵引的数据引擎方法,读者可了解其如何在低激活参数下提升具身推理能力。

  5. IT之家53

    京东曹鹏:未来五年计划采购300万台机器人及100万台无人车

    京东集团技术委员会主席曹鹏在世界互联网大会乌镇峰会上宣布,京东物流未来五年计划采购300万台机器人、100万台无人车和10万架无人机。为将业务场景转化为可训练数据,京东正在建设具身智能数据采集中心,计划两年内累计采集超过1000万小时高质量人类真实场景视频数据及100万小时机器人本体运行数据。

  6. arXiv · ML26

    DynaFLIP:基于三模态动力学引导表征重构机器人感知

    DynaFLIP 提出动力学感知多模态预训练框架,通过图像-语言-3D 流三元组监督训练纯图像编码器,将运动理解前置至感知层。 该方法在共享超球面空间最小化三模态单纯形体积,结合余弦正则化与对比目标,表征在下游 VLA 策略中表现优于基线。 在多样仿真与真实场景中验证,分布外(out-of-distribution)场景性能提升达 +22.5%。

  7. arXiv · ML26

    DexCanvas:结合人类演示与机器人学习的手指灵巧操作

    DexCanvas 是一个混合数据集,包含 7000 小时的手指灵巧操作,具有每帧接触点和力。 该数据集由 70 小时的光学动作捕捉扩展而成,涵盖了 21 种操作类型,通过 RL 策略在物理仿真中测量接触力。 接触驱动的重定向可将演示传输至两个灵巧机器人手,首次公开的 111,857 条轨迹可在 Hugging Face 获取。

  8. arXiv · ML30

    GSBR: 面向在线强化学习的几何支持行为正则化

    GSBR(几何支持行为正则化)通过按动作与基础策略支持集的动态距离施加平滑惩罚,有效平衡在线强化学习中的样本效率与学习稳定性。 该方法允许支持集内的动作无惩罚,仅在价值估计低的外部区域逐渐增加约束,且只需访问基础策略样本即可实施。 在4个机器人基准的19项任务中,GSBR将平均成功率从基础策略的33%提升至95%,其归一化吞吐量比次优强化学习方法高约23%。

  9. arXiv · ML22

    CRONOS:面向机器人操作的非情节式强化学习基准

    CRONOS 提出用于视觉-语言-动作(VLA)模型非情节式场景重置强化学习微调的高保真物理模拟基准。 研究发现直接微调预训练策略会因物体配置和末端执行器位姿偏移而失败,但可通过针对性重置分配和纠正偏差加以缓解。 非情节式训练增强了长程操作能力,并提升了对未见物体配置和任务序列的泛化性。

  10. arXiv · ML28

    3D World Simulator:基于混合粒子体素动力学的多模态 3D 世界模拟框架

    3D World Simulator 框架通过混合粒子体素自编码器与动作条件潜在动力学模型,统一预测外观、几何和触觉观察。 该模型在统一 3D 表示支持下实现 50 Hz 的交互式长时域多模态预测,并可用于策略训练的数据生成。 该方法扩展至包含多样化物体和机器人配置的大规模数据集,支持模型基于规划,验证了混合粒子体素动力学在 3D 世界模拟中的基础潜力。

  11. arXiv · AI21

    DEED 框架:面向零售人形机器人的数据高效后训练与经验驱动学习

    DEED 框架在 Unitree G1-Edu 机器人和 GR00T N1.6 模型上完成超市补货任务,通过单一 GPU 实现了从实验室到真实环境的有效迁移。 该框架包含数据高效后训练管线、基于 RECAP 的经验驱动改进及潜在空间分析工具,显著降低了对大规模数据及架构的依赖。 研究指出,弥合实验室与门店差距核心在于系统整合,精细的数据设计与针对性的后训练可替代单纯架构优化。

  12. arXiv · AI24

    DuoBench 双臂操作基准框架发布

    DuoBench 是一个针对 FR3 Duo 平台的双臂操作策略可扩展基准框架,包含 11 项任务,涵盖模拟和部分真实环境。 采用分阶段评估方案,支持细粒度语义失败分析;现有模仿学习策略在双臂协调和仿真到实机迁移中仍面临挑战。 DuoBench 提供了可复现测试床,用于分析双臂策略学习中的失败模式。

  13. arXiv · AI37

    Flow Equivariant World Models:面向动态环境结构化记忆的世界模型框架

    该论文提出Flow Equivariant World Modeling框架,利用时间参数化对称性构建潜变量记忆,以稳定准确预测长时间跨度下的环境动态。 潜变量记忆随自身运动和外部物体推断运动进行等变变换,确保视野外区域信息对齐;该框架在2D和3D部分观测视频世界建模基准上优于当前最先进的扩散、记忆增强及循环世界模型。

  14. arXiv · AI35

    DreamX: 视频扩散模型作为通用潜在动作学习者

    DreamX 利用预训练视频扩散模型作为通用潜在动作学习者,在 LARY-Bench 基准测试中取得潜在动作模型的最先进性能。 该方法将视频帧压缩 300 倍(从 1,200 到 4 个 token),提取解耦视觉外观的潜在动作,支持跨形态的零样本动作迁移。 这种共享动作接口实现了任意到任意的视频迁移,并降低了基于视频扩散策略的计算成本。

  15. arXiv · AI21

    面向推理与行动的几何抽象:智能体策略需要观察每一步吗

    提出通过 3D 几何抽象将机器人常规空间推理从图像转移至文本和符号,以提升多步操作完成率。 接口利用校准 RGB-D 生成带类型和证据的符号引用,并在动作后返回紧凑文本检查点,减少了重复多模态查询。 研究结果被 CoRL 2026 会议接受,证实了显式几何状态是机器人智能体策略的有效基础。