手机端侧模型参数规模快速膨胀，30B MoE模型开始落地
短短一个月内，30B级端侧模型接连亮相，高通、vivo、面壁智能等厂商成功将大模型部署在手机平台上。MoE技术让模型总参数与单次推理计算量解耦，使手机有机会运行更大规模模型，但模型容量扩大与手机内存、功耗增长不同步，带来技术押注的不确定性。
推荐理由：30B级MoE模型挤进手机，让规模定律首次在端侧落地，但硬件投入与实际收益的平衡仍是未知数。
技术方向
具身智能 最新动态
AI 走进物理世界：人形机器人、具身基础模型与真实环境操作能力的进展追踪。
183 条精选近 30 天 181 条共收录 563 条
更新
精选归档 · 第 8 页
华尔街见闻精选AI 评分7575 钛媒体精选AI 评分8181 换电模式将催生比机器人本体更大规模的能源银行生意
文章分析人形机器人全生命周期成本构成，指出电池、运维等后市场服务将占总成本的40%-60%，并探讨吉列模式在机器人行业的应用与挑战。
推荐理由：文章揭示了人形机器人后市场服务与耗材的商业模式变革，指出电池更换和运维将成为主要利润来源。
量子位精选AI 评分8585 VAST开源实时世界模型EdenLive，单RTX 5090显卡720P超24FPS
VAST开源实时世界模型EdenLive，在单张消费级显卡Nvidia RTX 5090上、720P条件下，5B模型生成速度超过24FPS，支持分钟级连续生成。该模型实现了任意参考输入、任意画风生成和长时连续运行，开放了模型权重、推理代码、技术报告和端到端Demo。
推荐理由：EdenLive实现了单消费级显卡上的实时世界模型生成，为交互内容提供高质量视觉渲染。
HuggingFace Daily Papers精选AI 评分7575 Ropedia W0: 利用人类经验扩展跨具身智能体的运动-操作世界模型
研究团队提出Ropedia W0，首个涵盖人类和多样化机器人的第一人称运动-操作世界基础模型。团队整理了包含1万小时人类数据和3千小时机器人数据的Xp-Data集，采用统一的运动学表征编码运动和操作。该模型在五个跨具身基准测试上达到最先进性能，支持实时长时间推理，并在具身决策应用中展示实用性。
推荐理由：通过统一运动与操作表征，首次实现跨具身智能体的世界模型，为具身决策提供新基础。
HuggingFace Daily Papers精选AI 评分6565 ACE-Brain-0.6: 扩展空间感知以强化物理基础模型
研究人员开发了ACE-Brain-0.6模型，通过结合机器人操作记录和多样化视觉数据的数据流水线，在约150万样本上微调Qwen3.5-9B。该模型在七个公共空间定位基准中的四个上超越GPT-6 Astra，平均得分为75.41，比Astra的73.68更高。研究显示，通过多样化来源的可验证定位监督可增强开放9B模型的空间感知能力。
推荐理由：通过150万样本训练的9B模型在空间感知基准上超越GPT-6 Astra，验证了多样化数据对具身智能的强化作用。
HuggingFace Daily Papers精选AI 评分7575 Agent World Model in the Wild: 计算机使用智能体环境合成
研究人员提出WildAWM，一种可扩展的管道，用于合成训练通用计算机使用智能体的可控环境和任务。该环境支持图形用户界面、模型上下文协议服务和命令行接口，完全由开源模型驱动。团队合成了341个长时程环境-任务对，训练后的Qwen模型在8个分布外基准测试中取得显著提升。代码已公开。
推荐理由：通过合成环境训练计算机使用智能体，解决了真实世界交互的安全与扩展难题，验证了开源模型也能构建高质量训练环境。
HuggingFace Daily Papers精选AI 评分7575 SpatialScout: VLM 智能体能主动探索并映射 3D 场景吗？
研究团队提出 SpatialScout 基准，用于评估视觉语言模型智能体在主动物体级 3D 映射上的能力。该基准包含 80 个多样化室内场景和 3,140 个目标物体，要求智能体控制相机探索场景并估计物体中心坐标。
推荐理由：SpatialScout 揭示了当前 VLM 智能体在主动探索和构建精确 3D 地图上的显著差距，最高分模型仅 41.71%，为具身智能研究提供了新基准。
钛媒体精选AI 评分8080 数学的“第四次危机”：从不可说，到无可说
杨健教授系统梳理了数学历史上的四次危机，分析了AI对数学本质的挑战与影响。文章指出，当前AI在数学领域的应用引发了关于证明定义、可理解性和数学本质的深刻讨论，数学家担忧AI可能改变数学的人文本质，但也认为AI可能降低数学门槛，促进数学发展。
推荐理由：文章系统梳理了数学四次危机，分析了AI对数学本质的挑战与影响。
HuggingFace Daily Papers精选AI 评分6565 BiDex-100: 双灵巧手操作综合基准
研究人员发布BiDex-100基准，包含106项双灵巧手操作任务，覆盖泛化、指令跟随、有限演示、长时程和记忆五个能力维度。该基准支持两种 embodiment，提供8,080个成功验证的远程操作演示，总计625万帧。研究团队评估了七种最新的视觉-语言-动作模型，建立了针对特定能力、鲁棒性和数据效率的基线。
推荐理由：覆盖106项任务的双灵巧手基准填补了行业空白，接下来看各家模型在长时程记忆和泛化能力上的真实表现。
HuggingFace Daily Papers精选AI 评分6565 AffordanceWAM: 面向机器人操作的可 affordance 感知联合世界-动作建模
研究人员提出 AffordanceWAM，一种可 affordance 感知的生成式世界-动作模型，通过标量 affordance 和 affordance 热图表示物体中心的时空 affordance。
推荐理由：通过可 affordance 表示法连接人类与机器人视频数据，实现了无需人类动作标签的跨模态迁移学习。
HuggingFace Daily Papers精选AI 评分7575 Vision as Proprioception: Estimating Humanoid Robot Pose from Video
研究人员提出HumanoidPose框架，通过视频单独估计人形机器人的全身关节配置，结合预训练人体姿态特征与机器人运动学，将人体动作重定向到16种不同人形机器人上，并在三个真实人形平台上将关节角度误差降低了18-32%。
推荐理由：将视觉作为本体感觉来估计人形机器人姿态，解决了在线视频缺乏关节配置的问题，提升了跨平台泛化能力。
HuggingFace Daily Papers精选AI 评分6565 VLA-Rolling: 通过自适应动作重用实现更少去噪步骤和更好控制
研究人员提出 VLA-Rolling 框架，通过重用动作尾部减少去噪步骤，在 LIBERO、MetaWorld 等基准测试上实现了最高 1.48 倍加速和 15.08 个百分点的成功率提升。
推荐理由：通过重用被丢弃的动作尾部，VLA-Rolling 实现了更高效的推理，在降低计算成本的同时提高了成功率。
HuggingFace Daily Papers精选AI 评分6565 TILDE：从具身基础模型进行教师循环蒸馏
研究人员提出TILDE方法，通过结合学生诱导状态下的在线蒸馏和教师执行恢复轨迹学习，将具身基础模型的能力迁移到无需动作预训练的策略中。该方法还包含AutoDAgger自主数据聚合管道，利用机器人奖励模型监控任务进度并触发教师干预，相比人工监控方法加速恢复轨迹收集超过2倍。在三个真实世界任务中，TILDE相比行为克隆将任务性能提高了最高4.1倍，并支持有效的跨架构蒸馏。
推荐理由：TILDE通过教师模型与自主数据收集的结合，将具身基础模型的能力迁移到无需动作预训练的策略中，解决了机器人数据收集效率问题。
arXiv · cs.RO精选AI 评分7575 DiPLO: 自蒸馏扩散规划用于人形机器人 locomotion 操作
研究人员提出 DiPLO 框架，结合自蒸馏扩散规划器与低级别全身跟踪策略，解决了人形机器人 locomotion 操作的协调难题。该框架通过 SD:DPO 移除规划器对强任务条件的依赖，再使用 DA:PPO 微调模型，在拾取-携带-放置任务中实现99%的任务成功率，并在宇树 G1 机器人上成功部署。
推荐理由：通过自蒸馏扩散规划与全身跟踪策略结合，解决了人形机器人 locomotion 操作难题，实现99%任务成功率。
arXiv · cs.RO精选AI 评分6565 SARAM：面向机器人终身学习的稀疏适配器分配与复用合并方法
SARAM提出了一种终身学习框架，通过复用冻结适配器和仅在选定层引入新适配器，限制存储增长同时保持GPU内存和推理成本与任务流长度无关。在四个LIBERO套件中，SARAM匹配或超过基于适配器的方法，同时每个任务减少最多4.5倍的磁盘状态。在真实UR5机械臂上的实验进一步验证了其在顺序任务流中的保留能力。
推荐理由：通过复用和稀疏分配适配器，SARAM解决了机器人终身学习中存储和部署成本随任务增长的问题。
arXiv · cs.RO精选AI 评分6565 学习结构化运动参考以实现基于优化的全身控制
该研究提出了一种分层控制器，其中强化学习适应结构化运动参考，而步态调度器、反应性步态规划器和全身冲量控制器负责高频执行。在六方向干扰课程训练下，该控制器在测试干扰网格中达到77.29%的平均生存率，比基于模型的参考控制器高出27个百分点。
推荐理由：通过分层控制将强化学习与优化控制结合，四足机器人抗干扰生存率提升27个百分点。
arXiv · cs.RO精选AI 评分6565 EndoVLA-OOV：机器人内窥镜中语言条件下的视野外目标获取
研究人员提出EndoVLA-OOV，一种用于机器人内窥镜视野外目标获取的语言条件视觉-语言-动作策略。该策略在跨 embodiment 评估中达到93.3%的目标获取成功率，数据集从312扩展到1050个片段后，成功率从40.0%提升到90.0%。研究团队提供了包含约262k观测-动作对的开源VLA数据集。
推荐理由：语言条件下的视野外目标获取在机器人内窥镜中实现93.3%成功率，展示了语言引导与任务演示扩展的价值。
arXiv · cs.RO精选AI 评分7070 Action-Aligned Latent Planning for Versatile Humanoid Loco-Manipulation
研究人员提出FIBER框架，使用冻结行为基础模型的潜在空间作为人形机器人多样化操作的共享规划表示。在模拟和真实Unitree G1人形机器人上的实验表明，该框架在箱体拾取、门开启和物体抓取任务中取得了42.0%的平均成功率，显著优于传统运动学规划方法。
推荐理由：通过冻结行为基础模型的潜在空间实现多样化人形机器人操作，成功将多种技能整合为统一规划器。
arXiv · cs.RO精选AI 评分6565 RoMo-GS: 通过曝光积分运动模糊实现高效的机器人在线 3D 高斯溅射
Sangwoo Jung 提出 RoMo-GS，一种解决机器人快速移动导致运动模糊问题的在线 3D 高斯溅射系统。该系统通过曝光积分处理运动模糊，使用基于 Hessian 的剪枝分数限制高斯数量增长，并在多个数据集上实现了比离线去模糊 3DGS 方法快 15-150 倍的性能，同时比在线 3DGS 基线少约 20% 的高斯数量。
推荐理由：通过曝光积分处理运动模糊，RoMo-GS 实现了在线 3D 高斯溅射，在保持质量的同时大幅提升效率。
arXiv · cs.RO精选AI 评分7575 基于规则图规划的LLM机器人安全任务完成方法
Ali Taheri提出RuleGraph框架，通过多智能体规则图规划使LLM-enabled机器人能够拒绝有害指令同时完成合法任务。该方法在RoboGuard基准测试上达到98.57%的任务成功率，同时将攻击成功率降至0%。
推荐理由：通过多智能体规则图规划，让机器人在拒绝有害指令的同时完成合法任务，解决了复合指令中的安全难题。