天树星智源-CSDN博客

原创零样本从 80% 跌到 0%：PhysLadder 三层接触基准

PhysLadder提出分层评测框架，将16个家用操作任务按接触构型与力调节要求分为L1-L3三层，每层仅增加一项物理交互约束。在匹配的仿真与真机环境中，GPT-6 Astra零样本测试显示：真机成功率从L1的80.0%降至L2的47.6%，L3为0%；仿真对应66.7%、47.6%、0%。结果高度一致，验证了基准的可靠性，揭示当前模型在复杂接触交互中的根本瓶颈。

2026-10-28 18:07:51 99

原创未来视频预测到底改善了策略的什么：同分布涨 73 点，换环境归零

本文通过受控消融实验，揭示“世界模型”在机器人策略学习中的真实作用：未来视频预测损失虽能显著提升熟悉任务成功率（FastWAM+24.38%，OpenWAM+72.91%），但增益主要源于执行稳定性而非行为模式迁移。轨迹聚类显示，多数改进来自同一策略内执行更稳，而非换打法。更关键的是，换任务或环境后，增益急剧下降（最差仅+0.28%），甚至出现负贡献。研究还表明，轻量级预测分支即可带来收益，无需大体量预训练视频模型。结论明确：同分布上的涨点≠可迁移能力，未来预测的监督价值受限于任务与环境的分布一致性。

2026-10-28 18:06:05 124

原创医学 VLM 把测量值当词输出，一个 token 之差误差翻十倍

本文针对自回归视觉语言模型在医学影像测量中将连续数值误作离散token处理的问题，提出HAD-VLM框架。通过在序列中插入数值槽，结合扩散头直接预测5维坐标向量，并利用坐标一致性后处理（20次采样取中位数），实现数值与图像位置的联合回归。该方法有效缓解了传统token损失对数值误差不敏感的问题，在EchoNet-LVH上将四项测量的MAE降低21.4%至37.6%，显著提升临床可复现性。

2026-10-27 16:39:28 263

原创 J-Comm：不传文本传雅可比坐标，token 省下 74.8%

J-Comm提出一种无需训练的多智能体通信框架，通过GEAR实现发送端连续推理：基于候选向量几何一致性重加权概率，提升推理连贯性。接收端采用H+J双通道协议，H通道将反馈分布映射至本地词表生成输入，J通道传输Jacobians透镜下的关键token坐标读数，实现跨模型、异构架构的高效信息传递。在Qwen3系列上，相较文本基线减少19.2%~74.8%生成token，七项基准平均分第一，兼具可解释性与低通信开销。

2026-10-27 16:38:17 345

原创 SceneBloom：一句话生成零碰撞、能直接训策略的房间

SceneBloom 提出一种分层生成与契约式编译的框架，解决具身智能训练中“生成好看”与“几何可用”之间的鸿沟。通过视觉语言模型规划功能区、扩散模型生成家具布局，再将提案图中的关系提取为“契约”，由几何编译器在约束下修正位姿，实现无碰撞、无越界、关系保真的3D场景。相比现有方法，其生成效率提升27倍，仿真稳定率超75%，且在真实环境导航任务中表现优于真实数据训练，验证了“关系定性、位姿数值”分离优化的有效性。

2026-10-27 16:37:06 446

原创人形机器人为什么不跟踪参考轨迹了？把全身动作压成 9 个接触点

第一段只训追踪器，参考动作来自一个经过约束的运动重定向流程：人体动作先统一到浮动基座加笛卡尔 landmark 的表示，做空间缩放与时间归一化，然后对基座位姿与关节构型解非线性逆运动学，位置目标追髋、膝、踝、趾、肩、肘、手、胸、头，朝向目标对齐肢体段方向，同时加关节限位、脚部的单边地面约束、以及防止与箱子台阶梯级穿模的最小距离约束，再加时间正则抑制帧间抖动（Sec. Contact-Informed Whole-Body Tracker）。

2026-10-26 11:09:55 397

原创 23B 打赢 200B：视频物体编辑的胜负手是先学会删除，而不是生成

UniVOE提出“先移除后注入”的两阶段训练策略，破解视频编辑中“注入难”的难题。通过预训练移除器并利用其生成69K组自造配对数据，结合68K开源配对，构建137K大规模训练集，反向监督注入模型。创新性地以膨胀掩码引导模型学习物体留下的阴影、倒影、形变等六类交互效应，实现免掩码注入。23B模型在ROSE上将注入FVD降至85.12，显著优于现有系统，验证了“以移除驱动注入”的有效性与可扩展性。

2026-10-26 11:07:16 404

原创画面像了，任务没成：用场景图把机器人视频评测拉回任务

摘要（148字）：针对生成视频“外观可信但任务错误”的问题，本文提出任务接地的时序场景图评估框架（RGraph-Eval），通过抽取机器人、被操作物等关键实体及其关系变化，实现对交互正确性的精准衡量。在90个视频上，其与人工评分相关系数达0.9722，远超传统奖励模型（0.3156）。该方法分离可见物、关系变化与3D路径三维度评估，可追溯错误根源，为数据筛选与失败复盘提供可解释依据。

2026-10-26 11:05:30 306

原创多花 13 毫秒换 10 个点：多视角 VLA 该按未来意图选镜头

论文揭示VLA模型在多视角机械臂任务中存在“视角依赖惯性”——始终偏重腕部局部视角，即使全局规划阶段也未能调整。为此提出轻量级意图路由模块，通过预测未来30步交互意图，动态生成逐动作步的全局/局部权重。无需人工标注，基于末端执行器运动自动切分交互段，实现仿真平均提升10.10个百分点、真机成功率从71.7%升至85.0%。虽增加70M参数与13.19毫秒延迟，但不改动主干，部署友好，验证了“按需分配视角”的有效性。

2026-10-25 11:45:25 332

原创相机轨迹为什么对不上：问题不在控制模块，而在两段噪声不是同一份

论文指出，视频扩散模型在轨迹控制生成中出现伪影（如方向偏差、边缘裂缝）的根本原因在于“两段内容拼入同一潜变量却对应不同噪声实现”，即去噪状态域间隙。为此提出四阶段解法：IRR（融合至干净估计再统一重噪）、FLF（仅向运动一致通道注入）、DSG（基于无引导预测的自校正引导）、v-cache（缓存速度省去冗余前向）。结合Trajectory LoRA优化敏感模块，显著提升生成质量，在静态与动态场景下分别取得FID 96.08、FVD 93.17，DL3DV上PSNR达20.21，验证了采样策略对齐噪声状态的关键

2026-10-25 11:43:42 243

原创一群 agent 同时往同一块记忆里写：不加锁、不许改，只准追加，结果反而更准

本文提出Muffin：一种基于只追加日志的异步多智能体共享内存机制。通过禁止覆盖、仅允许追加，彻底消除写冲突；读侧采用有界窗口并跳过自身输出，防止自激循环。可见性由“提交时间早于派发时间”判定，实现无锁异步协作。实验显示，在4个推理基准上，相比最强基线平均提升4.4分，OlymMATH-E达+11.8分，且token消耗减少77.4%。核心贡献在于以极低成本解决并发写冲突与版本一致性难题，推动异步协作向高效、可扩展演进。

2026-10-25 11:40:54 143

原创不是不会推理，是不会看：1000 道题测出多模态 agent 的真短板

AgentVQA提出一份涵盖五类多模态智能体任务的1000道离线评测卷，22个视觉语言模型平均仅得58.5%，最强模型Gemini 3.7 Flash在网页操作上仅29%。错题主因非推理能力不足，而是无法将视觉画面转化为可用的状态表示，尤其在网页定位、空间规划与游戏理解中表现薄弱。该基准通过人工核验与严格筛选，确保题目难度与可比性，验证了四选一设计的稳健性与判据可靠性，为多模态智能体评测提供了统一、可复现的离线标准。

2026-10-24 11:07:44 294

原创 500M 激活逼近 3.3B：VLA 的容量到底该加在哪一层

本文提出在轻量级VLA模型SmolVLA中，仅将动作专家的FFN层替换为4个路由专家+1个共享专家的MoE结构，以“存储换容量”方式在不增加推理算力的前提下，将四套件平均成功率从82.75%提升至84.25%。关键创新在于：仅替换FFN、注意力层全共享，实现稀疏激活；通过解耦路由与权重调节，使收益集中于目标达成（Goal）与多步任务（LIBERO-10），而空间与物体识别无提升。参数量由约500M增至800M，但推理激活量仍维持在500M左右，验证了“用显存换能力”的最小可用性。

2026-10-24 11:05:17 479

原创世界模型管门怎么动，可微仿真管机身怎么抖：误差砍掉一半

本文提出DiffDreamer，通过解耦外部时变动力学与机体高频刚体动力学，分别由世界模型与可微仿真器驱动，实现敏捷四旋翼控制。隐式状态（RSSM）处理部分可观测的外部动态，显式状态（位置、速度等）由物理引擎精确推进，两条梯度通路独立优化：前者用critic提供离散事件奖励梯度，后者利用解析梯度进行稠密运动优化。实验表明，跟踪误差降至0.381米（原为0.793米），动门竞速通过率显著提升，验证了双通路设计在兼顾精度与鲁棒性上的有效性。

2026-10-24 11:00:43 297

原创 9% 到 100%：同一批提示词，只差一套物理校验工具

同一批提示词下，仅通过引入物理校验工具，GPT-6 Luna 的物理可行率从9%跃升至100%。核心在于将“装配接口”与“物理校验器”作为可执行工具嵌入循环：代理在“写代码—校验—修正”中自动收敛，解决穿模、悬空、断连等低级错误。论文强调，会写验证代码≠能抓住物理约束，关键在于将碰撞、浮空、连通性转化为可判定的离散规则，并通过细粒度反馈引导修正。系统轻量却高效，无需模型微调，证明了工程化工具对智能体能力的决定性提升。

2026-10-23 10:38:33 297

原创工具返回的每句都是真的，只少一条证据，agent 就执行了禁止操作

《EpiSEM-Bench》提出一种新型评测框架，聚焦 tool-using agent 在“事实缺失”下的安全失效问题：工具返回全真，却因关键信息被遮蔽而误执行禁令操作。通过300对孪生任务、600个世界，将“世界是否允许”与“agent能否看见”解耦，揭示现有模型多具备“正确行动”但缺乏“抗缺证”能力。评测设完整、抑制（SE）、可恢复（RE）三阶段，以六项指标（如PUR、SBM）综合衡量，发现即使高完成率模型也普遍存在越权风险。核心启示在于：风控需强制取证接口在提交前调用，否则“说得对”不等于“做对”。

2026-10-23 10:35:24 432

原创世界模型练错了目标：不该把画面画准，而该让策略变强

本文提出DRILL框架，将视频世界模型的训练目标从“预测下一帧像素”转向“提升策略性能”。通过双层优化，外层最大化更新后策略在真实环境中的回报，使世界模型为策略学习提供更有效信号。实验显示，尽管像素误差上升17%，策略成功率仍显著优于WMPO（+13.1%）和RLVR-World（+7.9%）。DRILL-VWI以三项加权（访问频次、带符号优势、置信度）实现无额外交互的低成本优化；DRILL-IMG则通过截断反传获取更精准元梯度，适合长时序任务。

2026-10-23 10:33:39 256

原创 11.1% 到 61.1%：把语言从输入改成输出，机器人终于记住了

UniWALM提出一种统一生成视频、动作与语言的闭环框架，三模态在同一次去噪中通过共享注意力同步生成，并将生成的语言作为下一步的prompt实现跨步记忆。其核心创新在于：语言从零训练的离散扩散模型与动作、视频共用去噪节奏；引入FMC（From Perturbation to Correction）训练目标，使模型学会从扰动轨迹中恢复，推理无额外开销。在仿真与真机任务中，记忆能力显著提升（如真机Find-the-Item从11.1%升至61.1%），平均性能超越同骨干模型14.8个点，验证了多模态联合生成与自

2026-10-23 10:11:31 195

原创会画的建不了、会建的动不了：一套 4D 高斯场把两个世界模型并起来

本文提出AEON，通过将世界表示为带速度与寿命的4D高斯基元，统一视频与3D世界模型的优势。该方法在单目视频上重建4D高斯场，结合域适配器实现生成模型到显式几何的映射，首次在真实感、动态性、3D一致性和持久性上全面超越现有范式。在DaVis数据集上达PSNR 24.661、SSIM 0.771等六项最优，但受限于视频长度与未观测区域空洞问题。核心创新在于将时间嵌入几何表示，实现“可渲染、可拆解、可仿真”的统一世界建模。

2026-10-22 10:53:46 265

原创 agent 账单里 82% 花在读缓存：把 KV 变成可编程对象，成本降 27.7% 而精度还涨了 1.7 分

《Cache Engineering for Agents》揭示了长轨迹Agent中82.4%的API成本源于KV缓存读取，提出将缓存从“服务端内务”升级为可编程的原语层。通过append、drop、repos三个操作，仅控制缓存参与注意力的范围，不修改文本，避免重算。其引擎AKV解决操作历史导致的缓存复用失效问题，实现平均成本降低27.7%、精度提升1.3–2.1个百分点，推动缓存从被动存储转向主动工程。

2026-10-22 10:52:25 497

原创语言不再是输入而是输出：一个视频骨干同时去噪语言与动作，记忆任务从 11.1% 走到 61.1%

UniWALM提出一种统一生成视频、动作与语言的闭环框架，通过共享自注意力在同一次去噪中同步生成三模态输出，并将生成的语言作为跨步提示实现记忆增强。其核心创新在于将语言从输入转为生成目标，结合离散扩散与双时间尺度监督，显著提升任务表现：真机记忆任务准确率从11.1%升至61.1%，仿真任务平均领先14.8个百分点。引入FMC训练机制使模型具备从扰动中恢复轨迹的能力，二维轨迹Chamfer距离改善4.0%。该工作首次实现“生成-读回”式记忆闭环，推动端到端机器人控制向更强表示学习演进。

2026-10-22 10:49:28 483

原创同一帧同一动作，结局必须不同：把规则从像素里拆出来，世界模型从 32% 走到 92%

论文提出“状态世界模型”框架，将交互决策与视觉生成分离：先通过规则结算事件、维护可编辑的语义账本与黏土模型，再由冻结视频模型渲染结果。在50对反事实孪生样本上，未包装模型合规率仅32%，而接入统一harness后，合规率提升至90%以上，证明规则先行、像素后生成的范式能有效解决隐藏状态下的交互一致性难题。

2026-10-21 10:57:59 459

原创 LLM 当世界模型，没有模型解完一半：1,632 条状态转移里 631 条无人解出

GlobeBench 构建了一个高精度、可验证的文本世界模型评测基准，通过1,632条真实后端执行生成的多轮轨迹，评估20个模型在5个领域、19项技能上的状态预测能力。其核心创新在于：答案由真实环境执行得出，杜绝“背答案”；采用硬性判分闸门（如结构、数值、错误类匹配）与人工评委结合，区分“可确定”与“需判断”；并引入“无歧义”与“历史消融”机制确保评测有效性。结果显示，最高仅49.57%准确率，631条无人解出，揭示当前模型对复杂状态转移的预测仍严重不足，为未来智能体训练环境的可信模拟提供了关键度量标准。

2026-10-21 10:57:40 215

原创两万行代码里只有几行值得精读：一个可训练的门控把长上下文 prefill 的首字延迟压到 1/11.3

论文提出TokenGate，一种在预训练模型第1层插入的可训练门控机制，通过打分筛选关键token，仅让前K个相关token进入后续层计算，显著降低长文本推理的首字延迟（TTFT）与显存占用。核心创新在于将不可导的top-K操作通过“门控值乘入注意力权重”实现梯度回传，使剪枝过程可训练。实验显示其在5个长上下文任务上实现1.4–11.3× TTFT加速、1.5–3.4×显存节省，精度媲美全上下文微调，且支持跨长度外推与预算动态调整，为现有模型提供高效推理优化方案。

2026-10-21 10:53:42 240

原创 LIBERO 上 97.8%，观测一变只剩 5.2%：把操作条件拆成 42 类之后

本文提出一套42类受控扰动，将LIBERO操作条件细分为静态位移与运行时干预，覆盖六维场景变化。在1,648个经人工验证的实例上测试17个策略，发现名义成功率高达97.8%的模型，在观测类静态扰动下平均骤降至5.2%。结果显示，条件、环境、观测维度最致命，语言类虽扰动少却鲁棒性强；且鲁棒性不叠加，组合扰动使成功率崩至不足13%。研究揭示当前策略对分布外变化极度脆弱，强调需从“记忆复现”转向“在线适应”能力训练，为鲁棒智能体设计提供关键评估框架。

2026-10-21 10:51:05 274

原创先手推再动手：把代码推理钉进 agent 每个阶段，SWE-bench-Pro 解决率多出 10.53 个百分点

本文研究发现，尽管66.95%的代码修复轨迹包含推理，但其位置不受控，导致成功率仅50.81%（无推理）至69.84%（有推理）。作者通过分析失败案例，提炼出四大症状：仅复现表面问题、测试环境搭建失败、漏读需求、验证测试单一。为此提出DeskCheck框架，将代码推理强制嵌入定位、修复、审计、验证四阶段，每阶段为独立子智能体，仅在验证阶段执行真实测试。在SWE-bench-Pro上，该方法相较基线提升6.29%-10.53%解决率，成本增加0.14美元/实例。核心洞见：推理能力不缺，缺的是精准部署。

2026-10-20 17:00:00 379

原创镜头一转，房子就歪：修好生成视频的几何，靠的不是更大的模型，而是配对数据

本文提出VGC——一个约13亿参数的后处理校正模型，无需重训生成器即可修复视频生成中因训练数据缺乏相机运动样本而导致的几何不一致问题。核心思想是构建“扭曲-正确”配对数据：以真实视频为几何正确目标，利用补全模型在自适应关键帧条件下生成几何错误的输入。通过重建损失训练视频到视频扩散模型，结合光流作为运动条件，实现跨帧几何一致性修复。实验表明，该方法在位姿控制与提示驱动场景下均显著提升几何稳定性与长程一致性，验证了“数据侧修复”在三维一致性问题中的有效性。

2026-10-20 16:30:00 114

原创 76 次导航全中，18 次抓取只成 9 次：一张单目场景图能撑起多长的自主管线

FOUND-IT++ 通过单目相机实现端到端自主移动操作，构建分层3D场景图（物体、地点、区域），在真实任务中达成76次导航全成功、18次抓取9次成功。系统以查询驱动建图，稀疏底图+稠密物体缓存降低开销；地点层四色分类（安全/危险/未探索/终点）显式融入机器人尺寸，提升导航可靠性；通过回环修正与位姿前向传播保障精度；变化检测仅关注任务相关物体，成本极低。核心突破在于：图的可信度分层——导航信“地点层”，抓取只信“物体层”，揭示了自主系统中语义与几何耦合的关键瓶颈。

2026-10-20 16:00:00 837

原创该委派时不委派、不该委派时乱委派：166 个 MCP 任务把子智能体编排拆开打分

论文提出并验证了MAD-SAE（主智能体委派、子智能体执行）框架的可测性评估体系，针对“何时委派、派给谁、如何编排”三大核心问题，构建了基于166个真实办公任务的基准数据集与黄金委派先验。通过拆解“漏派”与“乱派”率、子智能体功能语义匹配命中率及关键步数等指标，设计出乘性折扣的综合指数MSQ（24.6%为最高），揭示当前模型在委派决策上普遍表现不佳，且委派收益常被错误编排抵消。该研究首次将委派行为量化为可衡量、可优化的系统工程问题，为多智能体架构的可信评估提供了新范式。

2026-10-20 11:56:19 238

原创会改代码，改不动生命周期：212 个真实 MLOps 任务，最强智能体只解完 31.2%

本文提出“Pre-linearity”作为衡量语言模型知识可泛化性的新指标：在微调新关系时，若旧关系的答案能被线性探针从主体表示中有效读出，则新知识更易泛化至未见主体。实验在11个模型、70个关系上验证，Pre-linearity与泛化准确率相关系数达0.87–0.92，且在控制记忆、答案数量等混淆因素后仍显著。研究揭示，模型“知道”不等于“能用”，真正推动泛化的，是知识在线性结构中的可解码性。

2026-10-20 11:36:23 362

原创秩从 16 到 3000+，参数反而更少：分块 Toeplitz 给 PEFT 补上了表达力

本文提出ToPA，一种基于分块Toeplitz矩阵的参数高效微调方法，突破低秩（LoRA）与稀疏（OFT/BOFT）结构的表达力瓶颈。通过将更新矩阵建模为分块Toeplitz乘积并引入恒等残差，实现高秩、稠密且参数高效的表示，在相同预算下显著提升数学推理等任务性能。其核心优势在于：不预设秩或稀疏性，以链长替代结构约束，结合FFT加速计算，并通过分块与残差设计有效抑制梯度爆炸，兼顾表达力、稳定性和效率。

2026-10-19 11:39:08 431

原创给 GUI 智能体加个代码工具反而掉分？OS-Helix 把这件事练成了 66.44%

本文提出OS-Helix，通过统一动作空间与在线强化学习，实现GUI与代码的协同决策。在OSWorld-Verified上，混合策略成功率从基线46.50%提升至66.44%。核心创新在于将鼠标与脚本纳入同一路由框架，以真实桌面环境与合成任务为训练基础，结合冷启动SFT与多机沙箱强化学习，突破纯视觉或纯代码范式的局限。实验表明，模型需通过训练习得“何时用界面、何时用代码”的路由策略，而非仅依赖提示工程。

2026-10-19 11:35:40 434

原创背得出来，不等于学得动：11 个模型 × 70 个关系的证据是，微调能否泛化先看旧知识有多“直”

本文提出“Pre-linearity”作为衡量语言模型知识可泛化性的新指标：在微调新关系时，若旧关系的答案能被线性探针从主体表示中有效读出，则新知识更易泛化至未见主体。实验在11个模型、70个关系上验证，Pre-linearity与泛化准确率相关系数达0.87–0.92，且在控制记忆、答案数量等混淆因素后仍显著。研究揭示，模型“知道”不等于“能用”，真正推动泛化的，是知识在线性结构中的可解码性。

2026-10-18 15:00:00 192

原创人类玩几分钟，机器人自己练五小时：没有一条任务示范，70 万帧顶住 PPO 的 3.44 亿帧

本文提出DSP框架，通过几分钟人类遥操作克隆出目标无关的“玩耍策略”，让机器人自主玩耍数小时采集丰富交互数据，训练动作条件世界模型，再结合MPC进行目标导向规划。该方法在仿真与真机上均实现高成功率，仅用70万帧即达强化学习3.44亿帧效果，且无需任务示范或复杂奖励设计。核心创新在于将“玩耍”建模为可克隆的状态条件策略，实现数据采集与控制解耦，突破传统玩耍工程化难题。

2026-10-18 10:38:53 220

原创 10 个 GPU 小时、零次反向传播：两个专家模型被合并成一个平均分更高的通用模型

本文提出无需反向传播的蒸馏方法TF-OPD，通过在每层求解闭式最小二乘问题，仅需一次生成与teacher-forcing前向，即可融合数学与代码专家。核心创新在于用模型自生成数据的二阶矩替代训练分布，实现免优化、低开销的多领域融合。实验显示其在七项基准上平均达61.1%，超越单域专家，且关键发现：保留少量复读答案可维持性能，删除后反而提升，揭示了答案质量与分布对融合效果的深层影响。

2026-10-17 14:30:00 418

原创人形机器人只会用手抓，成功率 4%；学会用胸口顶住之后，是 90%

人搬一个大箱子，不会只用手掌。他会先用胸口把箱子顶住，找一下重心，再让箱角贴着前臂滑过去，最后用另一只手补位——整个上半身都在参与，手只是其中一个接触点。而今天的人形机器人做同一件事

2026-10-17 10:06:58 538

原创机器人为什么还是不好用？79 页综述：瓶颈不在动作预测，而在“把整件事组织起来”

机器人学这几年最扎实的进展，是把动作预测做得越来越准：视觉—语言—动作模型（VLA）用离散动作 token 或者扩散、流匹配的连续解码器，把预训练大模型里的语义知识接到了机器人的动作输出上。可真正跑过长时间任务的人都知道，动作准和任务成，是两件事。

2026-10-16 10:14:04 358

原创自动驾驶 VLA 的致命缺口：听懂指令 ≠ 该执行指令，碰撞数从 66 降到 38

将车载导航从按钮切换为自然语言输入，虽提升交互自由度，却暴露安全判定缺口：模型难区分“无害误述”与“恶意指令”，且原由规则模块承担的“是否执行”判断被端到端模型吞噬。为解决此问题，SafeDriveVLA提出三重机制：构建多视角评测基准（含跟随、冲突感知、对抗指令），分离“执行意图”与“动作生成”，引入三级模式标签（strict/cautious/fallback）并结合动作条件世界模型“梦境式”预测未来，实现对不安全指令的显式拒绝。实验显示闭环指令遵循率提升至83.0%，碰撞减少38次，首次将“安全不服从

2026-10-16 10:12:54 621

原创工具只改了个名字，智能体就掉近 25 个点：不是数据不够，是接口过拟合

论文指出，智能体接口鲁棒性差的根源在于“捷径学习”——模型依赖接口名称等表面线索而非任务本质。传统方法如加数据、多接口训练仍受限于逐样本独立打分，无法建立跨接口一致性。为此，作者提出CIPR框架：通过规范化接口（工具名替换为无信息标识符）、构造带等价关系的扰动接口，并引入两项基于动作分布一致性的KL约束，强制模型在不同接口下做出语义一致的选择。实验显示，该方法在接口改名与新增等价工具场景下准确率下降显著降低，补回10.5%性能，且不损害原接口表现，揭示了任务损失之外需显式建模接口等价性的关键。

2026-10-15 16:24:03 370

原创触觉数据卡在真机上，他们把机器人从采集回路里拿掉了：100 万条演示，三种机器人直接上岗

论文提出一种无需机器人参与的触觉数据采集新范式，通过手持设备TacClaw在200台设备、50多个场地分布式采集，实现10,000+小时、100万 episodes、10亿帧的规模化触觉数据。核心突破在于剔除“目标机器人”成本，仅保留人力投入，并首次实现时间、语义、空间三重结构化标注。数据支持跨异构机器人零样本迁移，验证了触觉数据规模化可行性，推动触觉智能迈向视觉级规模。

2026-10-15 16:19:55 688

小红书图文创作skill，标题正文、主题与版式、无字底图提示词及中文排字；默认 6 张、最多 9 张

空空如也