论文

DiscoveryRSI:递归学习发现有价值假说

科学发现的难点不在生成想法，而在把值得做的假说发展成可执行的调查，并从这一过程中学习。本文先给出「有价值且可检验的研究假说」的操作性定义：有据可依的主张 + 可行的调查计划 + 明确的判定标准 + 替代解释。DiscoveryRSI 用多智能体进化搜索生长假说树，把选中的调查编译成可执行的 Harbor 任务，并通过三条互相咬合的机制递归自改进：假说信用优化把科学评估按文档化贡献归因成有界监督信号，harness 回放在冻结模型权重的前提下改进研究工作流，rediscovery 把被接受的更新放回新问题继续积累经验。配套的 DFM-Bench 在假说、修订、发展路径、研究轮与跨提案贡献五个层次评估质量与累积进展。四个生命科学域上，假说质量从基座模型的 4.86 升至两轮自改进后的 5.39，增益集中在可证伪性与数据可解性；专家盲评中 DiscoveryRSI-27B 在重要性与「主张可信且有证据边界」两项上高于 GPT-6 Luna；与模型 cutoff 之后发表研究的对应率为 6.3%，高于 GPT-6 的 2.5% 与 Claude Opus 5 的 2.3%。代码、27B 模型与基准均已开源。

Scientific discoveryMulti-Agent Systems

Jianyuan Zhong, Chenwei Wu, Zhaochen Yu · 33次阅读 · 2026年10月16日

Social-WM：面向机器人社交导航的安全感知隐空间世界模型

社交导航不只要求机器人预判动作后果，还要求它判断一条名义动作在当前物理与社交约束下是否真能执行。Social-WM 从第一视角 RGB 序列训练一个轻量隐空间世界模型，把名义动作与可实现动作之间的系统性偏差直接用作安全信号：冻结的 DINOv2-small 把 224×224 画面编码为 16 个 384 维 token，六层 Transformer 在 T=8 的历史上预测 H=8 的未来隐状态；再用可实现逆动力学目标，以里程计恢复出的真实运动而非下发指令来监督隐空间转移。部署时 CVAE 一次提出 K=8 条动作块，全部在世界模型中想象，由逆动力学估计每条转移的可实现动作，残差超阈值的候选在执行前即被判为不安全并剔除，其余按目标代价择优。在 Habitat Social-HM3D 上取得 63.77% 成功率与 94.37% 个人空间合规率，与人碰撞率降至 21.67%（相对 NavThinker 降低 44.6%），零样本迁移到 Social-MP3D 仍为成功率最高、碰撞率最低，全程只用离线 RGB 轨迹，不需显式行人跟踪、特权人体状态或在线强化学习。

Social Navigation世界模型

Zhihao Zheng, Mooi Choo Chuah · 28次阅读 · 2026年9月30日

PriMoRetarget：通过优先级运动重定向实现人形机器人动作迁移

运动重定向是把人类动捕数据迁移到人形机器人的关键预处理步骤。现有方法多将重定向写成加权多目标优化，目标冲突时只能靠手工调权妥协，难以保证脚部落点、人-物接触等关键特性不被姿态目标牺牲。本文提出 PriMoRetarget，用显式优先级层次取代相对权重：低优先级目标的梯度更新被投影到高优先级目标雅可比的零空间中，使接触与脚步约束严格优先于姿态相似度。方法包含逐帧分块投影（复杂度从 O(T^3 m^3) 降至 O(T m^3)）、自由目标机制与加权和热身三个设计。在 LAFAN1、OMOMO、Inter-X 与 35 分钟双人协作数据上，接触保持率全面领先 PHC、GMR、OmniRetarget（OMOMO 96.9%），跟踪策略成功率在 LAFAN1 与 OMOMO 达 100%，并在 Unitree G1 真机完成搬箱部署。

人形机器人运动重定向

Nicholas Ioannidis, Dun Yang, Max Smith · 24次阅读 · 2026年10月8日

Juno：为视觉-语言-动作模型驯服预测性潜变量

Juno 把同一个动作条件 JEPA（LeWM，ViT-Tiny 约 15M 参数）用在三个位置：控制对齐的表征骨干、策略学习期的预测教师、部署期的可适配动力学模型。预训练用 Dynamic CLS 损失把冻结 patch 监督者的运动加权 patch 变化搬进紧凑的 CLS 状态；策略学习用 patch 级融合加 MoT 解耦推理分支，把 K 个未来 CLS 状态一对一蒸馏进隐序列，并与流匹配动作损失在同一条隐序列上汇合；部署期两阶段测试时适配先用全部转移（含失败）全参数更新世界模型，再冻结适配后的教师、只在验证成功的执行上以 LoRA 重对齐策略。SimplerEnv 平均成功率 68.5%（最强基线 Qwen3GR00T 为 60.9%，适配后 72.7%），RoboCasa-GR1 24 任务 59.6%（赢下 21 个），真机冻结策略在累积偏移下保持 75/70/70 而基线归零。

视觉语言动作模型世界模型

Yuchen Zhu, Chenyi Xu, Yulin Zhang · 22次阅读 · 2026年10月7日

LidarVerse：跨任务、跨传感器的实时统一 LiDAR 世界模型

NVIDIA 等提出 LidarVerse：统一条件生成框架下的实时 LiDAR 世界模型。通用 tokenizer 将 32/64/128 线距离序列映射到共享潜空间，双向教师模型以 LiDAR 前缀、HD-Map、持久空间缓存与可选文本为条件；蒸馏出的四步自回归因果学生模型配合滚动时序 K/V 缓存与世界对齐空间缓存，在单张 H100 上以 11 FPS 实现长时程一致 rollout，在三种评测协议的大部分指标上达到 SOTA。

激光雷达世界模型

Che, Henry, Ren, Xuanchi, Fidler, Sanja · 23次阅读 · 2026年10月13日

PaperBanana-Interact：多轮人类反馈下的科研示意图精修

科研示意图很难一轮画到位：14 人用户研究里所有参与者在看到初稿后都要求继续修改，86% 认为精修后的图更令人满意。这项工作把 292 张专家手绘示意图上的 3518 条隐藏修改需求做成多轮基准 MTPaperBananaBench，并提出 PaperBanana-Interact：历史摘要器把多轮图文交互压成结构化记忆，多目标批评家与提示词精修器在每轮用户反馈下自我迭代至多 10 次。同一个单轮生成器 PaperBanana 起点质量分 50.3，配最强基线 DirectRefine 五轮后是 47.1、遗忘率 18.8%，换成 Interact 则是 61.2 与 12.6%。

多智能体Diagram Generation

Xueqing Wu, Ashwin Balasubramanian, Bingxuan Li · 26次阅读 · 2026年8月31日

生成式智能体：人类行为的交互式模拟

提出生成式智能体：以记忆流、反思与规划三个模块扩展大语言模型，25 个智能体在类《模拟人生》的小镇中连续生活两天，自发传播消息、建立关系并协调举办情人节派对；消融实验证明三个模块对行为可信度都不可或缺。

LLM智能体Agent Architecture

Joon Sung Park, Joseph C. O'Brien, Carrie J. Cai · 43次阅读 · 2023年4月7日

盲装配：只靠关节编码器完成轴孔插入、齿轮啮合与螺母攻丝

精密装配通常被当成视觉问题：孔在哪、零件在指间怎么转、间隙多大，都得由相机或力/扭矩传感器告诉策略。MIT 的这篇工作把外部传感全部掐断——策略每步只观测最近 0.6 秒的关节位置、关节速度、由正运动学算出的夹爪位姿与速度，以及自己上一步的动作；没有相机、没有力/扭矩传感器、没有触觉，也不知道孔位、零件尺寸与间隙大小。作者在三个接触密集的精密任务上检验本体感知究竟够不够：轴孔插入（训练时每侧间隙 1.0–1.5 mm，5 秒限时）、齿轮啮合（每个锚齿齿侧间隙 0.2–0.6 mm，10 秒）、螺母攻丝（M24–M42，螺纹侧面间隙 0.05–0.2 mm，15 秒）。训练完全在仿真里完成：PPO 跑 12,288 个并行 MuJoCo 世界，随机化零件形状、尺寸、间隙、孔位与抓取偏置，并用特权仿真状态给出辅助接触监督——去掉这项监督，三个任务分别需要 2.7 / 3.8 / 5.1 倍的环境步数。时序卷积把 30 步历史压成 32 维 latent，线性探针能从 latent 解出七种接触模式（准确率 61–73%，只看当前观测是 41–64%，随机基线 14%），把不同模式的 latent 互换会让动作整体改道（变化量是同模式互换的 1.3–3.0 倍）——说明策略是在做反应式接触搜索，而不是背一套固定螺旋图案；同样的起点，它入孔前中位只走 37 mm，乐观的脚本螺旋要走 95 mm。轴孔策略 zero-shot 迁到 Flexiv Rizon 4S 真机（50 Hz，无真实数据、无微调），237 次试验成功 173 次（73%），其中三个销完全在训练分布之外；对未见零件，盲策略也明显比参数匹配的 RGB 视觉策略稳（螺母尺寸外推 98.4% 对 1.6%，销的新形状 93.8–97.1% 对 40.1–62.7%）。为让这种规模的训练跑得起来，作者还开源了 mjfit：从任意平面轮廓程序化生成「间隙精确保持」的凸棱柱装配体，在 20 µm 级间隙上比 CoACD/V-HACD 凸分解与 MuJoCo 自带 SDF 碰撞既准又快一个数量级。结论很直接：每台机器人本来就自带高分辨率接触传感器——它自己的关节。

Peg-in-Hole仿真到现实

Antonia Bronars, Younghyo Park, Kushal Kedia · 51次阅读 · 2026年10月16日

LoopWAM：从部署回放中闭环改进的通才机器人策略

只堆专家示范，通才机器人策略并不会因为「上了真机」就变强：部署回放里既有成功，也有次优动作和彻底失败，逐个动作照抄会把坏行为一起学进去，而把失败样本直接丢掉，又丢掉了物理交互及其后果的证据。LoopWAM 是一个闭环的世界动作模型（world-action model），它直接从这份「全质量谱系」的回放里学习，回放既可以来自它自己，也可以来自别的已部署策略（X-VLA、π0.5）。方法上有三块互相咬合的设计：源相关噪声采样把行为学习与动作条件世界建模统一进同一个联合去噪目标——示范数据只对视频加噪、回放数据只对动作加噪，两条流在每一层的联合注意力里交互，学到的「后果」因此能直接参与动作生成；质量引导把质量分数写进指令后缀 Quality: q，部署时固定取最高档，使同一个模型既能被引导也能被评估；质量加权监督用 λ(q) 调节动作项的模仿强度（q=1,2 为 0.0，q=3 为 0.3，q=4 为 0.6，q=5 为 1.0），视频监督则在全质量段完整保留。模型由 Wan2.2-TI2V-5B 初始化，视频 DiT 30 层 3072 维、动作 DiT 30 层 1024 维，flow matching 训练。结果：RoboChallenge Table30-V2 上三轮「部署—采集—再训练」把成功率从 23.67% 拉到 43.33%（+19.7 个百分点），总分 36.10→56.80；RoboTwin 2.0 平均成功率 94.5%（用 LoopWAM、X-VLA、π0.5 三个策略共 22,500 条回放训练）；RoboCasa365 总成功率 14.9%→49.5%，三项基准在对比方法中都是最好，且没有做额外的具身预训练。最难的叠衣服任务上，单任务后训练之后再跑两轮部署驱动改进，成功率从 13.20% 升到 55.56%。消融显示：完全不做质量引导只有 72.3%，粗粒度标注加上质量加权动作监督才到 94.5%。项目页 https://loop-wam.github.io/

世界动作模型自改进

Wenxuan Guo, Yingping Liang, Zhaoguo Wang · 80次阅读 · 2026年10月13日

Agile-WAM：面向接触丰富机器人控制的敏捷触觉世界动作模型

Agile-WAM 从零训练一个不含交叉注意力的「视觉-触觉-动作」流匹配骨干，把融合观测潜变量直接当作流的源，一次前向同时生成动作块与未来视觉/触觉潜变量，并按「视觉看远、触觉看近」做多时域监督；9 个仿真与 5 个真机接触丰富任务成功率最高，单次推理 10.35 ms（96.6 Hz），真机相对最强基线提升 29.4%。

世界动作模型流匹配

Hanchu Zhou, Brendan Lynch, Raman Goyal · 62次阅读 · 2026年9月17日

Terminal-RSI:递归自改进终端智能体

递归自重写验证轨迹并继承评论家做策略精炼,配 TB-GAE 与成功优先奖励,27B 模型 Terminal-Bench 4.0 达 19.84%。

Terminal Agent强化学习

Junyao Yang, Zongxia Li, Yucheng Shi · 106次阅读 · 2026年10月15日

P-BFM：感知行为基础模型实现人形机器人地形自适应控制

P-BFM 用无监督 RL 把动作参考、目标状态与奖励函数统一编码进地形无关的意图空间，一个冻结策略凭深度感知在不同地形实现同一意图；配合显式根部指令 ERI，零样本迁移到 Unitree G1，未见动作恢复率 61.4%。

人形机器人Unsupervised Reinforcement Learning

Xue Wang, Yitang Li, Yiming Zhang · 265次阅读 · 2026年10月11日

作为亚马逊联盟会员,我们可能从符合条件的购买中获得佣金。