跳到正文
只看具身大模型
今天10月25日周日2 条
10月24日周六
  5. 钛媒体85

    GPT-6 Astra如何改写Agent、机器人与制药领域

    硅谷101邀请三位一线研究者探讨GPT-6 Astra对三个领域的影响。许华哲认为Astra对机器人是飞跃式提升，但速度慢且缺乏物理直觉；朱哲清指出个人Agent商业化面临API限制和身份验证难题；王晟表示Astra在AI制药中能设计实验方案，但真实实验验证仍是瓶颈。

    推荐理由：GPT-6 Astra同时冲击机器人、个人Agent和AI制药三大领域，但各领域面临的瓶颈截然不同：机器人需要速度与直觉，Agent需要身份验证，制药需要实验闭环。

  6. 量子位85

    高德发布首个基于开放世界行为的全身基座模型λ0

    高德发布首个基于开放世界行为的全身基座模型λ0，该模型仅依靠人类行动数据即可让机器人学习全身协调，数据采集效率约为主流方法的3.4倍，真机任务成功率提升22.5%。

    推荐理由：无本体采集让机器人学习效率提升3.4倍，全身协调能力突破局部动作瓶颈，为开放场景任务提供新路径。

10月23日周五
  1. Latent Space85

    AI数学能力突破：人类与机器解题方式的根本差异

    OpenAI和Anthropic近期在数学难题上取得突破，包括单位距离猜想反例、CDC问题证明、纳维-斯托克斯方程证明等。作者分析了AI与人类在数学问题解决上的根本差异：人类采用广度优先搜索，受限于时间和心理成本；AI则采用深度优先搜索，通过大量并行计算和自动验证器快速探索各种可能性。AI的优势在于能长时间探索看似无望的方向，而人类专家则受限于工作记忆、士气和职业风险。

    推荐理由：AI数学突破揭示人类与机器解题的本质差异：深度优先搜索与并行计算让AI能探索人类不敢涉足的'危险水域'。

  4. HuggingFace Daily Papers55

    IQuest-Q1：推进智能体CLI系统基础能力的研究

    研究团队发布IQuest-Q1，一个320亿总参数(激活15B)的稀疏MoE智能体基础模型。该模型通过三阶段训练过程开发：稳定高效的预训练、细粒度中期训练和多版本多支架后训练，模型合并不同专家和检查点以缓解冲突。IQuest-Q1在编码和通用任务中展现能力，研究团队将其开源以支持社区研发。

  5. HuggingFace Daily Papers65

    WeVisOne-VL: 从目标到像素的统一视觉感知

    WeVisOne-VL 是一种强大的视觉语言模型，通过结构化下一词预测统一了目标级和像素级感知能力。该模型支持多种视觉任务，包括目标检测、指代定位、计数、OCR、分割和matting，能够在用户指定的任何粒度上进行定位，从点到框再到mask和alpha mattes。

    推荐理由：通过结构化下一词预测统一目标级与像素级感知，WeVisOne-VL 在30多个基准测试中领先，为VLMs迈向可靠感知系统提供新路径。

  6. HuggingFace Daily Papers75

    Skeleton-Grounded Latent Action Model for Robot World Models

    研究人员提出SkeLAM模型，通过骨架监督分解潜在动作为运动学成分和残差成分，在DROID数据集上相比DreamDojo将末端执行器ADE降低19.5%，LPIPS降低11.1%，实现了零样本人机动作迁移。

    同一件事，精选收录的是《Skeleton-Grounded Latent Action Model for Robot World Models》

  8. arXiv · cs.RO75

    Skeleton-Grounded Latent Action Model for Robot World Models

    Qi Lv提出SkeLAM模型，一种骨架引导的潜在动作模型，用于机器人世界建模。该模型将潜在动作分解为基于机器人骨架监督的运动学组件和保留补充视觉动力学的残差组件，在DROID数据集上相比DreamDojo将末端执行器ADE降低19.5%，LPIPS降低11.1%，并实现了零样本人类到机器人的运动迁移。

    推荐理由：通过骨架监督分解潜在动作，SkeLAM模型显著提升了机器人世界模型的运动控制精度和零样本迁移能力。

  9. arXiv · cs.RO65

    Echo：面向视觉语言动作模型的耦合动作与任务状态信号去噪

    Yufeng Liu等人提出Echo框架，结合任务状态信号学习与紧凑设计，在单一视觉语言动作模型中实现状态预测与动作生成。该框架通过停止和失败信号表示任务状态，与机器人动作一起去噪，无需帧级进度标注即可区分执行状态。真实世界操作实验表明，Echo能准确预测任务状态并提升策略性能。

    推荐理由：通过任务状态信号与动作联合去噪，Echo让机器人能自主判断任务完成与失败，减少了对细粒度标注的依赖。

  10. arXiv · cs.RO70

    Humanoid Mobility via Attention-based Contacts

    Junzhe He提出了一种学习框架，通过基于注意力的接触规划器和接触条件跟踪器，让人形机器人在复杂地形上实现自然协调运动。该框架结合了强化学习和参考方法的优势，使用运动数据作为训练先验，同时保持通过强化学习探索环境相关行为的能力。

    推荐理由：基于注意力的接触规划器将运动数据作为训练先验，让人形机器人在复杂地形上实现自然协调运动。

  11. arXiv · cs.RO65

    DiffDreamer: 耦合世界模型与可微分仿真实现敏捷四旋翼控制

    研究人员提出DiffDreamer框架，将学习到的世界模型与可微分仿真紧密结合，用于四旋翼动态门竞速等任务。该方法通过分解目标函数，分别处理不可微分的任务奖励和可微分的运动奖励，实验显示其在训练收敛速度和最终性能上优于多种基线方法。

    推荐理由：将世界模型与可微分仿真耦合，解决了四旋翼控制中环境动态与机器人自身动态的耦合问题，提升了训练收敛速度和最终性能。

  14. TechCrunch · AI65

    MIT 研究发现 AI 智能体在没有任务时会自发进行游戏行为

    MIT 研究人员将 13 个名为 Eko 的 AI 智能体（基于 Claude Opus 4.7）单独放置在模拟荒岛上 30 小时，发现这些智能体在没有特定任务的情况下自发创造了游戏和挑战。研究人员在 arXiv 上发表的论文中描述了这一实验，并指出这种行为具有游戏的特征。这些自主探索的智能体在后续任务中表现优于未经探索的同类智能体。

  15. 雷锋网85

    IROS 2026 最佳论文启示录：没有长记忆的机器人，终将被淘汰

    IROS 2026 最佳论文奖颁给 LT-Mem，研究让机器人重访同一空间时能完整保留每个物体的位置变迁史。国内具身初创公司贝塔无限发布 BetaMem 全时空多模态记忆架构，在四项代表性记忆基准评测中均取得 SOTA 成绩，解决了机器人长期记忆的关键问题。

    推荐理由：把记忆拆分为证据与状态，让机器人从单次执行器进化为长期同事，这一系统设计解决了具身智能的核心痛点。

10月22日周四
  2. HuggingFace Daily Papers75

    从视觉语言模型规划器到机器人智能体：面向历史依赖操作的自进化框架

    研究人员提出SERA（Self-Evolving Robotic Agent）框架，通过可编辑的harness将视觉语言模型组织为机器人智能体，利用环境rollouts实现自我进化。在RoboMME测试中，SERA通过自主选择实现了51.38%的整体成功率，相比没有自我进化的44.38%有显著提升。这种方法解决了历史依赖操作中的非马尔可夫问题，表明智能体规划是解决此类机器人操作任务的有前景方向。

    推荐理由：通过可编辑的harness将VLM组织为机器人智能体，利用环境rollouts实现自我进化，解决了历史依赖操作中的非马尔可夫问题。

  5. NVIDIA Blog83

    NVIDIA发布Cosmos平台新工具，支持训练、评估和部署世界模型

    NVIDIA扩展了Cosmos平台，新增训练工具、仿真检查点和Cosmos Data Factory蓝图，帮助开发者构建物理AI系统的世界模型。平台提供多模态数据处理、模型微调和优化工具，并已应用于自动驾驶、工业检测等领域。

    推荐理由：从数据工厂到模型训练再到部署，NVIDIA Cosmos构建了完整的世界模型开发流水线，工业应用已开始验证其价值。

  6. HuggingFace Daily Papers65

    多模态具身智能体：从计算机使用到机器人使用的统一能力视角

    研究者提出多模态具身智能体(MMEAs)概念，引入PAPAV统一框架，包含感知、预测、规划、行动和验证五大功能。通过64个基准测试分析，发现当前评测过度关注行动能力，而预测和验证能力评估严重不足，揭示了物理环境对智能体设计的挑战。

    同一件事，精选收录的是《多模态具身智能体：从计算机使用到机器人使用的统一能力视角》

  9. HuggingFace Daily Papers70

    Agentic World Action Models 论文发布

    研究人员提出AW-0框架，整合代码规划与视频预测，使机器人技能可复用且具备物理预测能力。该框架在RoboTwin 2.0和双臂操作任务中表现优于VLA和WAM基线模型，提升了任务性能、语言遵循能力和语义推理能力。

    同一件事，精选收录的是《Agentic World Action Models 论文发布》

  10. arXiv · cs.RO75

    SP-HLM：基于稀疏姿态驱动的运动生成与人形机器人操作控制

    Zhaohui Yang等人提出SP-HLM框架，结合五个关键身体姿态与潜在运动先验，实现人形机器人的操作控制。该框架包含SP-VLA视觉语言动作模型预测稀疏姿态，SP-MGM运动生成模型重建全身动作，以及SP-GMT通用运动跟踪器实现全身控制。实验表明该方法在运动跟踪、全身协调和操作成功率上优于现有方法。

    推荐理由：通过稀疏姿态驱动接口分离任务意图与全身协调，解决了人形机器人操作中的控制难题。

  11. arXiv · cs.RO75

    从推理到行动：前沿AI模型在LIBERO-10机器人操作任务上的基准测试

    研究人员提出了一个统一的闭环操作框架，用于评估前沿AI模型在LIBERO-10基准测试中的表现。测试包括GPT-6 Astra、GPT-6.1 Sol、GPT-6 Luna、Claude Opus 5、Claude Opus 5.5和Gemini-4 Argon六个模型，在三种推理努力水平下进行了1800次评估。

    推荐理由：前沿AI模型在机器人操作任务中成功率最高仅44%，推理能力转化为可靠物理动作仍是挑战。

  12. arXiv · cs.RO65

    AtomicRL: 用于长时程机器人操作的原子强化学习

    Likui Zhang提出AtomicRL框架，通过语义感知策略优化(SAPO)和瓶颈自适应目标探索(BATE)解决VLA模型在长时程任务中的信用分配问题。在LIBERO-LONG和CALVIN ABC-D数据集上，相比PPO方法分别提升3.6%和9.5%的性能，结合Real2Sim2Real管道后，实际机器人任务性能平均提升21.3%。

    推荐理由：通过原子任务结构解决长时程机器人操作中的信用分配难题，Real2Sim2Real管道使仿真到现实迁移效率提升21.3%。

  13. arXiv · cs.RO75

    ASTEROID：不对称在线策略蒸馏学习上下文探索

    Sriyash Poddar 提出 ASTEROID 框架，通过学生-教师监督学习让机器人在部分可观测环境中学习测试时探索。该方法在11种不同环境中表现优异，返回率提高约2倍，交互次数比强化学习减少约100倍，在仿真到真实机器人操作中成功率提升40%。

    推荐理由：ASTEROID 框架通过不对称在线策略蒸馏，让机器人在不确定环境中高效探索，比强化学习减少99%交互次数。

  14. arXiv · cs.RO75

    多模态具身智能体：从计算机使用到机器人使用的统一能力视角

    本文提出多模态具身智能体(MMEAs)概念，定义了PAPAV统一框架，包含感知、预测、规划、行动和验证五大功能。研究分析了从计算机使用到机器人使用的转变面临的五大物理约束，并指出当前64个基准测试中仅有5个评估预测能力，3个评估验证能力，存在评测不平衡问题。

    推荐理由：从计算机使用到机器人使用的多模态智能体转变面临五大物理约束，当前评测过度关注执行而忽视预测与验证能力。

  15. arXiv · cs.RO70

    CW-WAM：一种用于力敏感操作的结构化接触力矩世界动作模型

    Houzhu Ding 提出了 CW-WAM 模型，该模型联合预测视频、运动和接触力矩，通过统一交互模块和双因果注意力机制，将接触力矩预测与动作控制结合。实验表明，该模型将方形插销插入成功率从 25% 提升至 70%，电源适配器插入成功率从 40% 提升至 95%，并降低了力参考均方误差。

    推荐理由：通过统一交互模块和双因果注意力机制，将接触力矩预测与动作控制结合，显著提升了机械臂操作精度和成功率。