外观
AI 导读艾伦AI与宾夕法尼亚大学合作开发了LitPivot系统，帮助研究人员在早期研究阶段根据文献动态调整研究方向。该系统将研究提案分解为问题、贡献和评估三个部分，围绕正在编辑的部分组织相关文献，并提供基于文献支持的批判和建议。在17名研究人员的实验中，使用LitPivot开发的研究想法被认为比使用文本编辑器和AI聊天工具开发的想法更基于文献，参与者也认为其修订后的想法更具创新性和实用性。
AI 选稿理由LitPivot通过动态文献关联和批判性建议，显著提升了早期研究想法的文献基础和创新性，适用于各学科研究人员的早期研究阶段。
AI 导读研究提出RIDAR框架，用于自动检测和干预研究完整性违规(RIV)。首先引入包含14种RIV类型的RIVT分类法，RIDAR-post-hoc在RIV-Gold基准上达到85.2% F1性能，在RIV-Wild数据集中检测到99.7%轨迹中的3,964个RIV实例。RIDAR-runtime动态检测和纠正RIV，使任务完成时剩余RIV减少36.8%。研究团队将开源代码和数据。
AI 选稿理由RIDAR框架提供了首个全面的研究完整性违规检测与干预系统，通过分类法、后检测和运行时干预三层架构，显著减少了自主研究代理中的研究完整性违规问题。
AI 导读研究提出EdenGNN模型，可同时预测电荷密度和增强占据数，实现投影增强波精度下的电子结构计算。通过基展开公式和Δ学习策略，计算速度提高一个数量级以上。基于Materials Project数据库训练的EdenGNN-Uni模型，能准确预测周期表中大多数未见材料的能带结构，展现出比通用ML哈密顿方法更强的鲁棒性。
AI 选稿理由EdenGNN模型实现了电荷密度预测的显著加速，并首次实现了跨周期表元素的通用电荷密度预测，为大规模电子结构计算和高通量筛选提供了可扩展的从头算方法。
AI 导读研究提出一套评估蛋白质-配体结合预测结构化方法的指南，强调透明披露训练数据、代码和程序的重要性，以促进可重复性、重用和独立审查。指南还强调防范数据泄露、采样偏差和设计缺陷，并建议使用共同数据分割、运行间变异性检查和性能基线进行有意义的方法比较。
AI 选稿理由该指南为蛋白质-配体结合预测领域提供了标准化的评估框架，有助于提高研究可重复性和方法比较的可靠性。
AI 导读研究团队提出视频中心深度研究报告生成任务，给定视频和用户请求，智能体可识别研究问题、检索外部多模态证据并生成交互式报告。该任务包含50个中英文任务，覆盖19个现实子类别，共6414项评估标准。测试显示最佳系统得分为63.3分，当前智能体仍需提升内容覆盖度、跨模态因果逻辑分析能力和引用准确性。
AI 选稿理由新增视频中心深度研究报告生成基准OmniDR-Bench，包含50个中英文任务和6414项评估标准，为视频内容研究提供标准化评估框架。
AI 导读研究团队提出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减少末端执行器平均位移误差19.5%，LPIPS降低11.1%，支持零样本人机动作迁移和预测成功率与实际执行一致。
AI 选稿理由SkeLAM通过骨架监督分解潜在动作，提高了机器人世界模型的控制精度和动作迁移能力，在DROID基准上取得显著性能提升。
AI 导读研究团队推出AgentVQA基准，从23个数据集中精选1000个真实世界代理场景，涵盖Web代理、机器人、第一人称视频、游戏和空间规划五个领域。测试显示，22个模型中最佳准确率仅为58.5%，主要错误源于无法准确定位UI元素、解释运动、跟踪状态变化和推断3D空间关系，而非任务理解或逻辑推理问题。
AI 选稿理由AgentVQA提供了首个跨领域代理视觉理解离线基准，解决了在线评估成本高、难以扩展的问题，为模型比较提供可靠依据。
AI 导读研究团队提出Cola2框架，通过动态文本分段、无辅助损失的负反馈控制压缩率，以及重建与生成监督结合，学习紧凑的潜在表示。在五个下游任务和约2100亿训练 tokens 的实验中验证了核心设计，显示竞争性且未饱和的扩展性。使用3460亿源 tokens 的未收敛检查点，在八项任务上平均达到60.10，超越Llama-3-8B在HellaSwag和StoryCloze的表现，尽管其预训练预算超过后者的43倍。
AI 选稿理由Cola2通过连续-离散自适应和压缩控制，在有限训练资源下实现超越大模型的性能，适用于资源受限的语言生成场景。
AI 导读研究团队提出AnyGameRenderer，一种视频到视频的生成渲染器，可将AI编程代理生成的简单游戏（如灰色块状、几何图形）转换为高质量视觉效果，同时保持布局、相机和每个实体的位置与时间不变。该模型通过LoRA微调MiniMax-H3 ref2va（33B参数）实现，支持多种游戏类型输入，并在实体级基准测试中，时间匹配率从50.9%提升至62.9%，漏检计数变化从34.7%降至21.3%。
AI 选稿理由AnyGameRenderer解决了AI生成游戏视觉效果差的问题，通过实体一致渲染技术提升游戏质量，适用于多种游戏类型，并提供了新的实体级评估基准。
AI 导读研究提出 Factor-Aware Predictive Learning（FAPL），把有效利用 MLLM 潜变量作为共同前提，再用互补学习信号分别实现要素感知控制与稀疏输入下的时间推断。方法含三步：冻结 MLLM 仅靠潜变量训练 DiT；用成对视频做要素跨度替换；以文本、完整视频共享目标并冻结 DiT 反训 MLLM。实验在稀疏到视频、要素感知编辑和多镜头生成三个任务上均优于基线。
AI 选稿理由论文给出让 DiT 真正利用 MLLM 潜变量、并同时控制角色/场景/动作/相机的三阶段训练方法，在三个电影级视频生成任务上验证有效。
AI 导读研究团队提出Easy-3Dfy工作流，将对象生成与场景布局估计解耦，通过RPF对齐器建立对象局部网格与场景点云之间的几何对应关系，无需完整场景级监督即可在Scene-Maker和3D-FUTURE200数据集上超越SAM-3Dfy的多个几何指标。
AI 选稿理由Easy-3Dfy通过显式几何组合有效结合高质量对象生成与强空间理解能力，使工作流能独立受益于3D对象生成和基础模型的进步。
AI 导读研究团队推出FrontierCS 2基准测试，包含48个开放性任务，评估LLM代理对计算机科学前沿研发的贡献。该基准将代理置于研究环境中，继承工作仓库并随时提交补丁，最终在13个领域评估表现。测试了12个代理，Claude Opus 5.5表现最佳，通过58%的运行，但16个任务无任何运行通过。
AI 选稿理由FrontierCS 2是首个将LLM代理置于真实研究环境中的计算机科学研发基准，覆盖13个领域，为评估AI在科研中的能力提供了新标准。
AI 导读研究团队在保持训练目标和采样器不变的情况下，将选择性循环应用于均匀扩散语言模型(UDLMs)，显著提高了训练效率。循环UDLMs仅需约0.5万亿token训练量即可达到非循环UDLMs在1万亿token训练量下的验证NLL，在OpenWebText和FineWeb-Edu数据集上分别节省2.8倍和3.3倍训练FLOPs。在匹配NFE预算下，循环UDLMs生成困惑度降低最高达9.8%，且采用非均匀循环计数策略可进一步减少12%的循环次数而不降低准确率。
AI 选稿理由该研究通过循环技术显著提升了扩散语言模型的训练效率，在保持模型性能的同时大幅减少了计算资源需求，适用于大规模语言模型训练优化。
AI 导读研究团队提出LASAGNA框架，评估RAG技术组合效果。测试450种配置发现：单独有效的检索技术组合后仅实现预期17%提升而非47%；检索质量与答案忠实度优化目标冲突；最佳组合随语料库规模变化。研究强调RAG技术应完整测试而非孤立评估。
AI 选稿理由提供RAG技术组合效果的实证研究，证明孤立优化不可靠，适用于RAG系统设计与评估。
AI 导读研究提出LoopRec方法，针对序列推荐系统中不同项目计算需求不均匀的问题，引入轻量级门控机制实现项目级自适应递归。该方法将固定全局深度转化为学习到的每项属性，在四个骨干架构的公共基准测试中，一致优于固定深度对应模型。分析显示，低频项和近期交互自然获得更深计算。
AI 选稿理由LoopRec通过项目级自适应递归优化序列推荐计算效率，提升推荐质量，适用于各类推荐系统架构。
AI 导读研究团队提出PACE方法，通过周期性而非每token量化循环状态，结合通道对齐共享量化尺度，在4B至35B参数的混合模型上，使用四位和八位混合量化，内存占用约为DAMP的三分之二，性能相当；全四位量化在相同内存下优于Q-Mamba，且周期性量化保持了解码速度优势。
AI 选稿理由PACE通过减少量化频率和通道对齐优化，在降低内存占用的同时保持了模型性能，适用于线性注意力语言模型的推理优化。
AI 导读研究团队提出DeepEvolve系统，通过持续交互动态变化的环境并内化经验实现递归自改进(RSI)。该系统在FutureX排行榜连续三周排名第一，评分提升高达195%；在合成评估中超越最强基线10.7 Bradley-Terry点。结果表明，与开放环境共同进化是AI系统自我改进的基础。
AI 选稿理由DeepEvolve实现了递归自改进智能体系统，在真实世界预测任务中连续三周排名第一，评分提升195%，为AI从静态模型训练向经验驱动进化提供了新范式。
AI 导读前沿模型 API 不再返回详细推理过程，TraceForge 改为以教师模型的答案和上下文为输入，用生成器按学生模型家族的风格重建推理链，再由判别器筛选。两阶段先监督后对抗训练；独立评审给出的真实性均分为 0.68，真实推理链为 0.66，判别器从四个候选中选出的达 0.82。在相同 5000 题和教师答案下，HumanEval+ 提升 3.7 分、MBPP+ 提升 7.1 分。
AI 选稿理由提出不依赖被限制的教师推理输出、按学生家族风格重建训练推理链的方法，并给出在固定题目和教师答案下的编码基准提升数字，适用于推理蒸馏训练场景。
AI 导读论文提出Harness Scaling，不再只用固定harness训练Agent，而是构建因子化harness空间，选覆盖均衡的小训练子集，组织跨harness训练。在多基准、不同模型规模和RL算法下，对未见白盒配置的泛化稳定提升；经结构化白盒变化训练的模型也能迁移到未见的外部黑盒harness，优于用单一复杂黑盒harness训练的模型。
AI 选稿理由论文给出一种可操作的Agent RL训练方法：通过有组织的harness多样性提升跨执行配置泛化，并在多基准、多模型规模和多种RL算法下验证；实验结论限于所测白盒与黑盒harness范围。
AI 导读研究者提出视觉状态编码器 ALPS，仅用静态图像与文本，以语言、重建和空间对应目标从零预训练 ViT-B/16，再用跨视角自蒸馏精调。在15个公开编码器的统一评测中，ALPS 的 LIBERO 状态探针聚合误差在 ViT-B 模型中最低，追平体积大3.5倍的 V-JEPA 2-L；冻结特征配合原生文本塔在 LIBERO 上策略平均成功率85.5%，在 PushT、Wall、Granular 的世界模型规划中持平或超过领先编码器，预测的未来 token 可直接解码成像素。
AI 选稿理由提出一种同时具备物理状态、语言对齐和像素重建能力的视觉预训练编码器，在15个编码器对比中刷新ViT-B级状态探针误差，并报告LIBERO策略成功率与世界模型规划结果。
AI 导读论文指出，在教师强制下，自回归视频扩散模型容易依赖局部视觉连续性来去噪当前片段，未必真正学会场景如何演变。作者提出 Future Chunk Prediction（FCP）：在教师强制去噪之外，同时预测与当前相隔一段时间、且看不到中间视觉上下文的片段。该方法直接从训练视频取监督，不需要额外的预训练视觉编码器，也不改变自回归推理。结果显示，在总体训练计算量更低的情况下，其物理合理性优于标准教师强制训练；可视化还显示，表示空间更有结构，作者认为这可能有助于构建自回归世界模型。
AI 选稿理由论文给出可复用的训练目标，删除视觉演变捷径，在不增加推理改动、降低训练算力下提升物理合理性，属视频世界模型研究进展。
AI 导读研究揭示扩散语言模型的量化敏感性与任务和时间步相关，不同下游任务在去噪步骤中需要不同精度。基于此，研究提出T2Quant框架，使用无标签敏感信号在固定比特预算下优化激活精度分配。在三个DLM和六个基准测试中，该方法平均准确率提升最高达6.7个百分点。
AI 选稿理由T2Quant框架首次实现扩散语言模型的任务和时间感知量化，无需标签即可预测量化敏感模式，在相同预算下显著提升准确率。
AI 导读研究团队开发了解释性管道，发现视觉-语言-动作(VLA)模型将任务指令编码为绝对坐标程序，导致对物体位置变化的脆弱性。通过激活注入实验，模型在99.6%的案例中执行源任务的轨迹，即使面对不同场景。研究还发现不同架构对指令的权重分配差异，以及目标选择与动作生成的分离机制。团队发布了Action Atlas交互平台，包含520+训练SAEs、79个识别概念及UR10e实验结果。
AI 选稿理由提供了视觉-语言-动作模型的内部工作机制解释，揭示了其脆弱性的根本原因，并开源了可复用的分析工具与数据集。
AI 导读论文提出HarnessAdapt-RL，在强化学习训练编码Agent时同步调整模型策略与执行框架（harness），不再固定框架只更新策略。冻结教师为具体任务生成机制级技能，另一教师按跨任务共性问题演化工具与hooks，仅保留不降低通过率或可训练率的改动。9B基座模型在SWE-bench Verified、Multilingual、Pro上pass@1较GRPO分别提高9.8、12.6、6.4个百分点，也优于配OpenHands人工框架的GRPO。
AI 选稿理由给出把Agent执行框架纳入强化学习训练的具体方法，并在SWE-bench三个设置上量化对比GRPO与人工框架，属可复用的Agent训练研究。
AI 导读Dharma AI 在基于 Qwen3-4B 的葡萄牙语作文评分器上，不换基座模型、数据与训练配方，仅用 VocabX 重建词表。方法按生成token成本而非出现频率选择子词与整段宏token，并控制输出层从约15.2万行降至约6.5万行。同一批500次请求上，平均回复从350token降至101token，实测推理成本降77.0%，bench分数从0.703升至0.810。论文仍在评审中，数据可能变化。
AI 选稿理由给出可复用的词表级推理优化方法及生产评分器的实测成本与质量结果，实验条件明确。
AI 导读针对RLVR奖励稀疏、长程任务难以分配信用的问题，作者提出Self-Credit：先让策略模型在 rollout 中生成带引用的摘要，标出关键证据所在轮次；再用同一提示下成功与失败轨迹的组内一致性重缩放这些引用，削弱错误信用、强化关键动作，并据此调整引用轮次的优势值。在BrowseComp-Plus上，Qwen3 8B与32B分别比基座高37.0和36.2分，比最强智能体RL基线高8.5和5.6分；GAIA与xBench-DeepSearch分别再高4.9和4.7分。
AI 选稿理由提出无需额外标注的信用分配方法，在Qwen3 8B/32B上给出BrowseComp-Plus、GAIA、xBench-DepSearch的具体提升幅度，适用于长程工具型智能体RL训练研究。
AI 导读微软研究院Xinzhi Zhang与合作者证明了1995年提出的Kannan-Lovász-Simonovits（KLS）猜想：对对数凹分布，最佳平坦切割与任意形状切割的差距总被一个与维度无关的常数界定。研究者用AI智能体探索了约100条候选路径，由人筛选方向，最终通过递归细化与误差有界性论证完成证明；同日另有两组独立证明与Lean 4形式化验证发布。
AI 选稿理由解决了高维几何与概率论31年核心公开问题，把此前随维度缓慢增长的界收紧为维度无关常数，使大量依赖该猜想假设的结果可无条件陈述；同时提供了人指导AI做数学研究的可复用流程对照。
AI 导读论文指出现有 JEPA 的稠密 patch 表征需下游预测器隐式恢复物体结构和跨时间对应。作者提出 Slot-JEPA，将稠密表征分解为稳定语义槽与时变空间掩码，预训练一次后冻结即可复用；配套的过渡记忆预测器 TMP 用掩码存储视觉过渡，并用非平衡最优传输监督掩码与评估候选计划。在 7 个视觉理解基准上槽重建特征保持可迁移，并在 6 个平面环境和 REALM-JEPA 的 4 个机械臂规划任务上提升目标条件规划。
AI 选稿理由提出可复用的物体结构化接口并在 7 个视觉基准、6 个平面环境和 4 个机械臂规划任务上验证迁移与规划提升，适用于关注世界模型与机器人规划的研究者。
AI 导读论文提出多智能体世界模型OverSeer，在智能体第一视角之外加入空间固定的辅助摄像机视角，作为世界中心表征的代理，使视角变化直接对应世界状态的局部变化。辅助视角因冗余半静态特性可用delta-VAE仅编码相对静态参考图的变化来压缩token。Minecraft与Doom实验显示世界与智能体一致性提升，真实多相机采集的定性结果表明方法不限于游戏引擎，压缩分析显示计算开销显著降低。
AI 选稿理由提出固定辅助视角加delta-VAE压缩的多智能体世界模型方法，在Minecraft、Doom及真实多相机数据上验证一致性提升与计算开销降低。
AI 导读Anthropic 的 Claude 独立设计了靶向致命蝎神经毒素的蛋白结合剂。在超过 31.8 万个设计中，211 个进入实验室测试，17 个符合标准；其中最强的两个与墨西哥蝎毒素 Cn2 紧密结合。这些结合剂是否真能作为抗毒血清仍无定论。
AI 选稿理由这是同一抗蝎毒蛋白设计工作的外媒复述，与已刊 5 人团队用 Claude 设计抗蝎毒蛋白属同一事件，未提供新增事实或数据变化，按重复稿处理。
AI 导读论文提出Agent S4，让接口设计本身成为Agent能力：元智能体在无成功标签的合成任务轨迹上构建并修订接口仓库，再用种群式进化按验证任务表现筛选。在OSWorld V2上，搭配Qwen3.8-27B的Agent S4取得21.3%二元得分，是同模型固定接口的3.8倍，超过GPT-5.5（13.0%）和Claude Opus 4.8（20.6%），成本约为后两者的4.3%和1.5%；ScienceBoard成功率从41.4%升至58.6%。代码已开源。
AI 选稿理由提出从任务经验自动进化Agent接口的方法，在OSWorld V2和ScienceBoard上以约1/4至1/15成本超过GPT-5.5与Claude Opus 4.8，为计算机使用Agent提供接口自进化的开源方案。
AI 导读NVIDIA研究团队提出Joints, Camera, Action!（JCA）模型，可为任意给定的骨骼绑定（rig）同时生成视频与可回放的3D动作，并估计相机将动作配准到场景。方法将3D动作保留在独立模型中，通过少量交叉注意力层连接预训练视频模型；模型还学习在视频帧中定位每个关节以恢复相机。借助生成式视频编辑器布置动画3D资产，团队整理出近20万对训练数据（含人与机器人视频）。评测显示该模型从文本驱动多样骨骼比视频优先管线更忠实，动作会响应周围场景，且支持视频转骨骼动作、骨骼动作转视频及基于关键帧的3D动作控制。
AI 选稿理由提出首个支持任意骨骼绑定的视频与3D动作协同生成方法，通过分离式架构与关节定位恢复相机，用近20万训练对实现可回放、场景响应的3D动作生成及双向转换。
AI 导读研究者提出Lafa，将连续流语言模型扩展到8B参数，采用块内双向异步流加前缀因果注意力的设计，可通过改造预训练自回归模型高效训练，并用前缀缓存和块级并行解码加速推理。在0.5B、7B、8B规模上，均以少于300亿token完成训练，指令跟随、推理和编程质量与AR相当或更好，还能蒸馏成流映射，实现一步或少步生成。利用流训练的多token预测效应做自推测解码，吞吐量达AR的2.54倍。
AI 选稿理由给出8B连续流语言模型的完整训练与推理方案，并在多token预测和自推测解码下报告了2.54倍吞吐的具体结果，属于可复用的生成建模范式进展。
AI 导读论文提出 Progress-Aligned Recurrence（PAR）：把第k次迭代的预测对齐到前k步后的状态，并把循环状态缩放回首次迭代的范数。用最多32步训练的Qwen2.5-0.5B在swap-S_5上做512步全状态跟踪，平均准确率95.5%，为训练长度的16倍；同骨干下RLT为55.7%，显式思维链仅0.8%。消融显示去掉范数锚定后外推倍数从16倍降至2.2倍以下，把进度对齐目标换成最终答案监督则至多8倍。
AI 选稿理由给出可复用的训练方法：进度对齐目标加范数锚定，使循环深度在状态跟踪任务上的外推从不到2.2倍提升到16倍，并附同骨干对照与消融结果。
AI 导读研究提出 Video-Point Model（VPM），以多视角视频历史和语言指令为条件，联合预测任意视角的未来视频和持续场景点的 3D 轨迹。团队扩展预训练世界模型，加入相机条件多视角处理和轨迹预测头，并构建 VPM-Data 仿真语料与 VP-WorldBench 基准。将动作作为 token 接入后，该模型在仿真与真实机器人操作中成功率均提升。
AI 选稿理由新增可复用的世界模型方法：点轨迹监督同时改善视频保真度与 3D 运动精度，并覆盖仿真和真机操作任务。
AI 导读研究团队发布DecisionPivot诊断基准，含48项任务、40033条数据，覆盖七类决策角色，核心轨道7800条来自13个生成任务族并组织成对比组。评测40个决策模型和14个通用模型后发现，参考轨道上仅差2.6分的两个27B模型，对比组准确率分别为70.1%和44.2%；Perplexity Decider在2400对二选一中概率排序正确率92.3%，但两项都答对仅74.1%。
AI 选稿理由新基准将LLM系统内决策模型的评估从单项准确率扩展到对比组、校准与选择性覆盖，并给出多项模型间的具体差异数据，适用于研究LLM路由与护栏评估的读者。
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。