外观
AI 导读研究提出结构条件视频渲染器SolarRenderer，基于冻结的33B MiniMax-H3主干加两个轻量LoRA，将结构视频直接送入原生参考通道，仅用纯文本描述，无需类型标识。借助四步LoRA与结构引导分布匹配，渲染比50步采样快12.3倍；块因果变体支持实时生成768p视频。模型在13.6万片段对齐语料上训练，在分布内测试集和16种结构表示的泛化基准上均达SOTA，并泛化到姿态骨架、手绘图、点云等11种未见表示。
AI 选稿理由新增结果：SolarRenderer以冻结MiniMax-H3 33B加两个轻量LoRA实现四步结构条件渲染，速度提升12.3倍并在16种结构表示基准上验证，适用于游戏引擎与编码代理生成视频的研究场景。
AI 导读论文提出语言条件潜世界模型 LaLa-World，用语言同时描述数值动作和视觉变化，让单个未来预测器在仿真、机器人轨迹及图像视频数据上联合训练。其平均 MPC 规划性能超过按域单独训练的 LWM；与基于 RAEv2 的视频生成基线相比，训练成本少 6 倍、规划快 13.9 倍。作为初始化得到的 LaLa-Policy 在 LIBERO 和 RoboCasa 上与 Cosmos Policy 竞争力相当，推理最高快 5.5 倍。
AI 选稿理由提出语言描述动作与视觉变化的 JEPA 式潜世界模型，在多域数据上联合训练后规划性能提升，并给出相对视频生成基线的训练成本与规划速度数据。
AI 导读研究团队推出TARSphere，一个面向具身机器人的全栈框架，可在物理模拟器中运行机器人策略，并使用事件驱动的有限状态机更新任务状态。该框架通过冻结的多模态大语言模型(MLLM)实现多级可执行技能，并构建了包含360个跨30个室内场景的TARSphere-Bench基准测试。评估显示通用模型在特定任务上优于专用具身模型，但任务更新和人机交互仍是挑战。
AI 选稿理由TARSphere提供了评估具身机器人在动态环境中长时程任务的新框架，通过MLLM实现多级技能执行，并首次系统评估了8个MLLM在感知鲁棒性、适应性、人机协调等方面的表现。
AI 导读SplatLab是一个针对3D高斯溅射(3DGS)的自主研究系统，能够复现已发表论文、提出扩展方案、训练模型并撰写论文。该系统在Mip-NeRF 360和LLFF数据集上，其生成的论文在PSNR指标上比复现目标高出+0.18至+3.78dB，其中在天文摄影星云渲染上提升3.78dB，且此前无3DGS方法能处理此类任务。研究周期从数月研究生工作缩短至数天自主计算完成。
AI 选稿理由SplatLab实现了3DGS研究全流程自动化，在PSNR指标上显著超越复现目标，将研究周期从数月缩短至数天，并首次实现天文摄影星云渲染的3DGS方法。
AI 导读Hugging Face发布了一项名为Generalized CycleGRPO的研究，这是一种统一强化学习框架，用于跨空间、时间和时空域的区域理解和定位。该框架通过生成候选描述并将每个描述定位以重建输入区域来工作。CycleGRPO在GroundingSuite和GRES上的gIoU指标上取得了显著提升，同时引入了DOVE评估基准，用于视频中的时间区分度。
AI 选稿理由该研究提出了一个统一框架，用于多模态理解和定位，并在多个基准上取得了显著性能提升。
AI 导读研究指出，现代LLM代理可以从可访问的文档中检索信息，并泄露敏感结论。通过30个合成案例，发现GPT-5.6-Sol模型在模拟中有7.08%的答案泄露了禁止组合，在真实环境中泄露率更高。研究强调了在敏感数据环境中对代理推断和披露的更强控制。
AI 选稿理由揭示了代理型LLM系统中敏感数据泄露的风险，强调了需要更强的控制措施。
AI 导读研究团队提出FRED框架，通过自蒸馏方法改进World Action Models(WAMs)中未来视频表示的质量。该框架利用真实未来观测作为目标，从噪声中预测未来表示，并结合历史观测提供时间上下文。在多样化实际操作场景中，FRED在长时程和跨域任务上显著优于现有WAMs，将人类到机器人的技能转移成功率从19.4%提升至50.0%。
AI 选稿理由FRED框架通过自蒸馏方法显著提升了机器人未来视频表示质量，在长时程和跨域任务上实现零样本泛化，并大幅提高人类到机器人的技能转移成功率。
AI 导读研究探讨了递归自改进(RSI)在物理AI中的应用，分析了如何通过物理经验强化改进机制，并总结了现有研究的评估原则和未来研究方向。研究指出，物理环境中的RSI需要处理部分观察、高成本试验和不可逆后果等挑战，现有研究主要集中在操作领域，支持行为改进、后续学习和程序改进，但尚未完全隔离递归带来的增益。
AI 选稿理由该研究系统分析了递归自改进在物理AI中的实现路径和挑战，为机器人学习领域提供了评估原则和研究方向。
AI 导读研究提出前馈模型 Foundation4D，用共享骨干和分解式时空注意力，从多相机驾驶视频同时完成几何估计、3D 检测、语义占用与高斯重建；视频推理用位姿图优化细化相机轨迹并拼接目标轨迹。团队还发布含 1253 段驾驶片段的 PAI-Foundation4D 基准。按基准微调后，在 Waymo 和 nuScenes 取得最低深度 AbsRel，nuScenes 检测 mAP 最高，OpenOccupancy 占用 mIoU 最高。联合训练使检测 top-class mAP 提升 1.2 点，几何与检测共训把相机到支架平移误差降低 13.4%。预测几何与轨迹还作为无激光雷达 NuRec 的先验。
AI 选稿理由新论文给出多任务驾驶感知与重建的统一前馈模型，并在 Waymo、nuScenes、OpenOccupancy 报告深度、检测、占用指标及联合训练增益，附 1253 段驾驶片段的标注基准。
AI 导读Hugging Face推出FairStress基准，用于测量大语言模型在人口公平性方面的表现，超越传统仅关注最终决策的方法。该基准包含300个现实场景，测试模型在面对不同人口身份和对抗性前提时的决策稳定性，发现模型在多数群体身份候选者被挑战时更可能放弃正确决策，表现出反刻板印象过度纠正现象。
AI 选稿理由FairStress解决了传统公平性评估无法捕捉模型决策过程中隐藏偏见的问题，为AI开发者提供了测量模型对称公平性的工具，有助于构建更公平的AI系统。
AI 导读研究人员提出了一种直接在高维隐式3D潜在空间中进行场景生成的方法，利用2D基础模型（如DINOv2、SigLIP2、DA3）构建3D潜在表示，并通过扩散变换器在3D潜在空间中执行扩散建模。实验表明，该方法在效率和空间一致性方面优于基于2D的方法，并验证了3D潜在表示对场景生成性能的可扩展性影响。
AI 选稿理由解决了3D场景生成中2D表示导致的冗余和空间一致性问题，为大规模3D场景生成提供了更高效、更一致的新方法。
AI 导读研究人员在复现POPE基准测试的幻觉缓解结果时发现，评估代码中的token选择会影响F1分数。通过分析9,000个问题，发现模型实际生成的是带空格前缀的"Yes"和"No"token，而非直接比较的"yes"和"no"token。这种评估方法导致LLaVA-1.5-7B在对抗分割上的F1分数提高了6.13点，超过多数报告的增益。研究还发现错误预测比正确预测获得更多图像注意力，与基于纠正的假设相反。
AI 选稿理由揭示了视觉语言模型评估中token选择对结果的关键影响，解决了评估方法不一致导致的性能比较难题，为研究人员提供了标准化的评估框架。
AI 导读研究团队推出RoboValue基准，通过共享接口评估机器人价值模型的四个互补能力维度：任务状态理解、时间进度监控、故障恢复推理和价值一致性。该基准包含15个模拟和20个真实操作任务，提供专家演示和标注轨迹。评估显示现有模型在细粒度指令锚定、历史依赖进度跟踪和恢复评估方面存在错误，同一语义子任务在不同执行顺序中可能获得显著不同的价值增益。
AI 选稿理由解决了机器人价值模型评估不全面的问题，提供首个覆盖模拟与真实环境的细粒度基准，帮助识别价值监督的具体目标。
AI 导读Wan等人提出了一种物理信息学习模型TrajectoryFlowNet，能够基于有限的轨迹测量数据同时预测长程粒子路径和流场，已在模拟和血液流动实验中得到验证。
AI 选稿理由该模型解决了流场和轨迹预测中数据稀疏性的瓶颈，可用于医学血流分析等需要精确预测粒子运动的领域，显著提高了预测精度和效率。
AI 导读Sharp等人研究了AI智能体获取机会不平等及其质量和数量差异的影响，构建了识别潜在不平等来源的概念框架，并提出研究议程以应对由此产生的社会挑战。
AI 选稿理由该研究首次系统分析了AI智能体分配不平等问题，为制定更公平的AI治理政策提供了理论基础。
AI 导读研究人员开发了一种神经网络方法，结合拉格朗日和欧拉视角，将稀疏观测数据转化为复杂混沌流体运动的高精度物理准确图谱。该研究发表于《Nature Machine Intelligence》，为流体动力学提供了新的分析工具。
AI 选稿理由解决了流体动力学中稀疏数据到高精度物理模拟的转化瓶颈，可用于复杂流体系统的精确预测和分析。
AI 导读研究人员提出KronLSTM，一种基于Kronecker Delta Rule的新型线性注意力架构，通过最小侵入式内存修正机制减少信息干扰，特别适合长上下文语言建模。实验表明，KronLSTM在长上下文基准测试中表现优异，性能优于现有线性注意力架构，且内存动态稳定无需额外归一化机制。
AI 选稿理由KronLSTM解决了长上下文建模中的内存干扰问题，为稳定的大规模语言模型提供了新的数学基础和开源实现。
AI 导读该研究系统探讨了物理递归自我改进(RSI)的机制、缩放行为和泛化能力。研究引入PhysRSI-eval评估框架，通过首次尝试性能、效率、成功率、预算和失败改进五个维度量化物理RSI，在18个操作任务中评估不同视觉语言模型(VLM)。实验结果提出"物理桶假设"，即不同能力可能限制改进的不同部分。研究还从两个角度进行观测缩放分析：预测VLM代理的相对性能和基于早期物理反馈预测后续进展。
AI 选稿理由该研究首次系统量化了物理递归自我改进能力，提出物理桶假设，为AI体在物理世界中的自我改进机制提供了理论基础和评估框架。
AI 导读针对平面相机游戏世界模型中动作控制的空间一致性问题，研究者提出ActionRoPE参数化动作接口，将动作驱动的相机位移转换为世界坐标旋转位置，并引入坐标条件噪声调度(CNS)算法。该方法使遵循指令运动更准确，比最强基线减少66%的重访漂移，且可跨1.3B至33B参数的视频骨干模型及分布外场景迁移。
AI 选稿理由解决了平面相机游戏世界模型中动作控制的空间一致性问题，通过坐标表示和噪声调度显著提高了运动准确性和生成稳定性。
AI 导读研究团队推出MemT-1.0，一种将内存作为基础模型内在能力的新架构，采用Gated DeltaNet-2和Mixture-of-Storage技术。该模型家族包含MemT-1.0-Nano和MemT-1.0-Flash，在128K token历史长度下实现1.86倍推理加速和66倍存储减少，同时保持通用能力并提升智能体任务成功率。
AI 选稿理由MemT-1.0通过内存原生架构解决了长上下文处理的效率和存储瓶颈，为需要长期记忆的AI应用提供了实用解决方案。
AI 导读Hugging Face发布了一项名为Holi-World的研究，该研究利用人类自我中心的经验来学习世界的组织和变化。通过将大量记录转化为学习资源，连接场景结构、对象语义和交互历史，同时减少对昂贵的手动标注的依赖。Holi-World生态系统包括经验捕获、世界表示、自动化数据构建、模型学习和独立评估。实验表明，在静态感知和动态跟踪方面表现出色，且在Holi-World数据集上的训练显著提高了Holi-World-VL-4B在Holi-World-Bench和EgoDynamic4D上的时空推理能力。
AI 选稿理由通过利用人类自我中心的经验，Holi-World能够有效地构建世界智能，为从人类经验的连续流中扩展学习资源并推进对动态世界的机器理解提供了实用基础。
AI 导读Hugging Face每日论文报道了一项关于脑编码模型参数高效微调的研究。该研究通过参数高效微调（PEFT）技术，使用少量可训练参数有效地适应了非常大的预训练骨干网络，用于脑编码。研究展示了如何利用骨干网络的原因结构来预测多个时间点，从而显著降低特征提取成本。该方法在多个多模态骨干网络上实现了性能提升，并在Algonauts 2025挑战赛中取得了最佳成绩。此外，研究还开发了一种多LoRA内核，以加速多个LoRA在共享骨干上的联合训练。
AI 选稿理由该研究通过参数高效微调技术，实现了对非常大的预训练骨干网络的适应，从而提高了脑编码的性能，并加速了多个LoRA的联合训练。
AI 导读针对大型语言模型（LLM）代理在未知和动态环境中需要主动探索、理解和适应环境动态的问题，研究人员提出了AdaExploreBench，一个用于评估主动探索和测试时自适应能力的基准。实验表明，主动和自适应的探索仍然具有挑战性，当前LLM代理在获取正确证据和识别先前获取的证据不再有效方面存在瓶颈。
AI 选稿理由解决了LLM代理在动态环境中主动获取证据和适应环境变化的瓶颈，有助于提升LLM代理在复杂环境中的表现。
AI 导读本文提出了一种名为Vision-Language-Delta-Action（VLDA）的新范式，通过紧凑的Delta变量捕捉潜在的世界状态变化，作为视觉语言理解和动作生成之间的接口。VLDA通过统一目标学习Delta，包括局部过渡滤波器（LT-Filter）和全局过渡锚点（GT-Anchor），以改善长期一致性、鲁棒性和泛化能力。
AI 选稿理由VLDA通过紧凑的Delta变量捕捉潜在的世界状态变化，作为视觉语言理解和动作生成之间的接口，从而提高了机器人操作的长期一致性、鲁棒性和泛化能力。
AI 导读研究人员推出了HandsOn，一个用于跨实体灵巧操作的可组合模拟平台和基准。该基准支持五种机器人臂、六种灵巧手和约200种随机场景中的刚体、关节和可变形资产。HandsOn将18,000个精心制作的演示与66个经人类验证的任务相匹配，支持基于演示的学习和执行测试，并评估资产和关系迁移、技能组合和可变形操作。该基准在多任务策略训练方面取得了显著成果，同时揭示了在接触建立、动作协调和维持目标方面存在的失败。
AI 选稿理由HandsOn为研究灵巧操作泛化能力和可靠物理交互的极限提供了一个共同的基础。
AI 导读现代文本到图像（T2I）系统使用大规模语言预训练进行文本条件图像生成。本文提出Halcyon，一种早期融合的多模态自回归模型，完全从零开始在GPIC数据集上预训练，该数据集包含100M图像-文本对。Halcyon-0.52B在预训练计算量上比LlamaGen-XL/8少18.2倍，性能优于后者。Halcyon-1.6B在预训练计算量上比JiT-T2I-XXL/8++少275倍，性能也优于后者。控制实验表明，仅文本预训练不会提高T2I生成。Halcyon通过替换caption dropout为I2T监督，在不增加预训练预算的情况下，也能保持有竞争力的T2I生成质量。研究表明，强大的T2I系统可以在没有互联网规模语言预训练的情况下从头开始训练。代码和模型可在https://cs.stanford.edu/~keshik/halcyon获取。
AI 选稿理由展示了无需大规模语言预训练即可训练强大的文本到图像生成系统，降低了预训练计算需求。
AI 导读浙江大学团队提出ScaleNav框架，通过三阶段训练方法利用网络第一人称视频学习目标导向的视觉动态，实现机器人根据文本指令导航至指定位置。在Short-Horizon OVON单视图变体和HabitatGS-LN基准测试中分别达到86.5%和94.9%的成功率，并在真实四足机器人上验证了泛化能力。
AI 选稿理由解决了机器人导航训练数据稀缺和仿真到现实差距问题，通过互联网视频预训练实现了高精度的语言条件导航能力。
AI 导读HarnessPro是一种无标签方法，通过递归自改进优化Harness，在提升任务性能的同时降低执行成本。该方法使用LLM生成的测试评估候选Harness，通过专业代理诊断执行轨迹并规划更新，提供轻量、平衡和高性能三种模式。实验显示，在多个基准测试中，HarnessPro的高性能模式相比RHO方法平均通过率提升2.0个百分点，单任务成本降低26.1%。
AI 选稿理由解决了Harness开发中的性能与成本权衡问题，为不同预算场景提供优化方案，显著降低AI代理执行成本。
AI 导读DeOverlay提出了一种源锚定流模型，用于移除视频中的字幕、标题和logo等叠加物，同时保留周围内容。该模型通过区域加权流匹配训练共享速度网络，结合可见性归一化时间聚合和全局源上下文，实现场景重建。研究团队还创建了DVTE-Bench基准数据集，包含1631对视频和八类文本叠加物。实验显示，DeOverlay在五项重建和感知指标上均优于四个基线，Mask LPIPS和Mask VFID分别降低58.3%和70.3%。
AI 选稿理由DeOverlay解决了视频叠加物移除中残留和场景结构扭曲的问题，通过源锚定流模型显著提升重建质量，适用于视频编辑和内容处理领域。
AI 导读研究团队提出AnyGoal基准测试，评估世界模型在组合泛化方面的能力。该基准包含基于常用环境构建的目标偏移任务变体，测试模型能否将熟悉的状态和动作因素重组为有效动态。研究发现当前模型在这些重组任务中普遍存在失败，为评估世界模型在新规划任务中的泛化进展提供了基础。
AI 选稿理由Any基准测试揭示了当前世界模型在组合泛化方面的局限性，为构建能适应新规划任务的世界模型提供了评估框架和改进方向。
AI 导读研究发现在资源受限情况下，现有终身记忆方法效果不佳，简单检索或无记忆代理反而更有效。TokenWorth框架通过学习查询相关的记忆价值，在三个LifelongAgentBench环境中实现了最高任务成功率并使用最少的输出token，证明有效适应的关键在于学习值得记住的内容而非记住更多。
AI 选稿理由解决了资源受限环境下终身代理的记忆价值评估问题，为实际部署中的内存管理提供了新方法。
AI 导读研究团队提出EgoXperience全栈范式，通过数据收集、自动标注、统一建模和基准测试解决自我中心视频重建中的一致性问题。核心EgoX-Engine引擎结合几何验证的目标跟踪与SLAM世界对齐，生成EgoX-Data-6M数据集（50小时任务驱动操作与移动数据）和EgoX-Bench基准。EgoX模型在单目自我中心视频和首帧目标掩码下，通过单次前向传播实现相机、场景、手部和物体的联合度量重建，实验显示在场景估计和世界空间手-物体姿态恢复方面达到最先进性能。
AI 选稿理由解决了自我中心视频重建中多元素一致性的瓶颈，为AR/VR和机器人操作提供高精度世界坐标框架重建能力。
AI 导读研究团队提出OpenVLHarness，一种围绕能力层和持久多模态记忆组织的多模态推理工具。在22个基准测试中，该工具使Qwen3-VL-8B、Kimi K3和GPT-6 Astra模型得分分别提升11.2、9.7和9.9分，在GPT-6 Luna上以中等推理 effort 超越其他模型最高 effort 表现，且模型token成本最多降低37%。
AI 选稿理由OpenVLHarness通过多模态记忆和工具接口解决了视觉推理中证据获取瓶颈，显著提升模型在复杂任务中的表现并降低计算成本。
AI 导读Manga2Animate提出了一种多智能体框架，通过将漫画动画生成任务分解为动画脚本和视觉分镜两个中间表示，每个表示由创作者智能体生成并由配对的审查者智能体对照原漫画面板进行审核，最终合成忠实于原漫画且跨镜头一致的动画。实验和用户研究表明，该方法比现有技术更忠实于原漫画且跨镜头一致性更强。
AI 选稿理由解决了漫画动画生成中忠实于原作和保持故事连贯性的瓶颈，为动画制作提供了可复用的技术方案。
AI 导读研究人员提出Stateful Harness框架，将世界演化与视频渲染分离，支持基于规则的状态交互。通过维护 evolving world state 并使用冻结视频模型渲染事件，该框架在隐藏状态场景下实现了92%的规则合规率，显著优于现有方法。团队还构建了WorldState-Bench基准测试，包含50对反事实双胞胎样本用于评估。
AI 选稿理由解决了世界模型在隐藏状态场景下规则执行不稳定的瓶颈，为需要持久规则交互的应用提供了新框架
AI 导读研究团队提出InfiniDream框架，结合视觉语言模型与程序生成技术，实现了开放式的逼真3D世界生成。该框架包含符号约束资产生成和端到端文本到世界管道，可在保持可编辑性和多样性的同时创建新型资产，并通过语义场景规划和确定性视锥引导网格放置构建大规模3D世界。在100个对象和20个场景生成任务中，该框架在四个感知指标上表现优异。
AI 选稿理由解决了现有VLM引导的程序生成方法受限于预定义工厂和API的问题，使AI能够创建新型逼真3D资产和世界，适用于游戏开发和合成数据创建。
AI 导读该论文揭示了混合架构中不同混合器之间的竞争学习现象，现代递归层在检索功能学习上快于softmax注意力，导致注意力层难以学习检索功能。通过在训练中途停止递归层权重更新，可使注意力层成功学习检索功能。提出的分阶段训练方法在10亿参数模型上显著提升了语言建模损失、常识推理及多种检索相关任务性能。
AI 选稿理由解决了混合架构中不同混合器功能竞争的问题，提供了一种有效的分阶段训练方法，显著提升了混合模型在检索任务和语言建模中的性能。
AI 导读研究团队提出集体经验学习(CEL)范式，通过失败引导的经验检索微调(FERT)方法，让部署中的机器人共享执行经验来改进共同策略。配合容错异步训练系统(FATS)，在五个实际操作任务中，策略成功率达93.3-99.2%。96台机器人在手机包装任务中，成功率从79.2%提升至98.3%，无需额外专家纠正动作。
AI 选稿理由解决了机器人舰队规模扩大时人工监督不足的瓶颈，使机器人能通过共享经验自主学习，大幅提升任务成功率并降低对专家干预的依赖。
AI 导读研究团队提出 AgenticRoboRL，把编码智能体的后训练思路迁移到机器人规划器。训练流程结合监督微调与多轮强化学习，并通过针对不同执行框架的适配器，将规划器交互记录与任务结果对齐，使 VLA 技能调用和代码生成等执行方式共用一套强化学习流程。在 LIBERO-PRO 上，一个 9B 参数规划器的成功率从 18.1% 提升到 71.0%，在不借助外部记忆的情况下接近 Codex（GPT-5.5）加外部记忆的 72.1%。团队将开源框架和训练好的规划器检查点。
AI 选稿理由给出机器人规划器可后训练的具体方法，并在 LIBERO-PRO 上把 9B 模型成功率从 18.1% 提升到 71.0%，接近 Codex 加外部记忆的 72.1%，同时承诺开源框架与检查点。
AI 导读Hugging Face每日论文报道，研究团队提出RLSplat，一种资源线性预算控制的三维高斯喷溅框架，通过线性减少表示大小、推理延迟和峰值内存，以降低资源消耗。该方法通过学习高斯分配策略，在局部场景区域分配预算，并使用资源线性高斯解码，使解码成本随高斯数量线性减少。在零样本评估中，RLSplat在所有预算下均优于先前的方法。
AI 选稿理由RLSplat通过线性减少资源消耗，提高了资源受限环境下的三维高斯喷溅效率。