跳到正文

内容形态

论文研究 最新动态

值得读的嵌入式与机器人论文：操作泛化、运动控制、端侧推理效率与新基准的精选。

872 条精选近 30 天 844 条共收录 1,780 条

更新

精选归档 · 第 35 页

10月10日周六第 681–700 条
  2. Hugging Face 每日论文54

    UltraBERT：突破 BERT 预训练极限的单一编码器

    UltraBERT 提出在同一批次内为低、高掩码比例分配独立 LM 头，并将蒸馏目标限制在低掩码比例的单一编码器，据称是首个在分类与检索任务上同时达到 SOTA 的编码器，GLUE 达 91.0、BEIR 达 47.7。研究还发现编码器在下游任务上超过数万亿 token 后趋于饱和，低掩码比例利于分类、高掩码比例利于检索，且剪枝蒸馏在低掩码比例下提升分类、在高掩码比例下损害检索。

    推荐理由：论文给出掩码比例与蒸馏对分类和检索任务的不同影响规律，可为编码器训练的算力分配提供依据。

  4. Hugging Face 每日论文55

    Vela：用真实用户行为作为监督信号提升 LLM 能力

    Vela 框架把真实用户行为数据转化为可训练的任务与轨迹，从 100,000 名用户的匿名行为记录中生成 100,000 个任务，覆盖 91 类真实任务模板，经难度过滤与轨迹验收保留约 75,000 个任务。在这些轨迹上微调 Qwen3.6-35B-A3B，用户相关任务最高提升 11.5 分，通用基准平均提升 4 分；微调后再做强化学习，比直接从基座做强化学习最高高出 7.7 分。

    推荐理由：论文给出从真实行为数据构造训练任务的完整流程与量化收益，关注数据飞轮的团队可参考其过滤与验收思路。

  5. Hugging Face 每日论文60

    LightVAE：面向紧凑高效的视频自编码器压缩框架

    LightVAE 提出一种视频 VAE 压缩框架，将符合条件的因果 Conv3D 层精确重参数化为空间响应与差分时间修正两部分，对时间修正做逐层低秩近似（TLR），并结合宽度保持的块剪枝与探针引导的特征对齐恢复质量。

    推荐理由：论文给出在 H100 与 RTX 5090 上的具体吞吐倍数和 PSNR、VBench-2.0 指标，便于评估其对现有高效 VAE 解码器的实际优势。

  7. 新智元58

    墨尔本大学与新南威尔士大学提出多会话语音记忆基准 VoxMem

    墨尔本大学与新南威尔士大学团队提出多会话语音记忆基准 VoxMem，用「声学证据×记忆操作」二维分类法覆盖15种考察组合，每道题在8K到64K token历史长度下保持不变，包含799道题、3,196个评测实例、34,743个语音会话（约177小时）。

    推荐理由：原文给出二维分类法、固定题目变长度的设计和错误归因，可了解如何干净地分离历史长度对语音记忆评测的影响。

10月9日周五
  1. Hugging Face 每日论文57

    Embodied Turing Machines：用有状态代码实现机器人递归自我改进

    论文提出 Code-Only-as-Policy（COAP）范式，把具身世界视为 Embodied Turing Machine，用代码从相机图像和本体感觉中测量并跟踪机器人、环境与任务状态，完全在代码中做决策，测试时不依赖 VLM 或 VLA。

    推荐理由：论文对比了 VLA 与 Agent Harness，说明纯代码策略在状态显式、故障恢复和任务复用上的取舍。

  2. Hugging Face 每日论文55

    S-Space：探索多模态语言模型中的空间工作区

    研究发现 S-Space，即多模态语言模型中物体 token 表征编码水平、垂直与距离连续坐标的线性子空间，它作为内部空间工作区：感知将物体位置编码其中，内部推理随视角变化对其变换，语言回答选择性读取它。因果干预表明改变 S-Space 会改变空间判断而非空间判断之外的回答；用其诊断空间推理失败时发现，模型能形成较强的空间表征，却在跨视角变换上存在瓶颈。

    推荐理由：论文把多模态大模型的空间推理拆成表征与变换两层，指出瓶颈在视角变换而非感知编码，为诊断失败提供了可迁移的分析视角。

  3. Hugging Face 每日论文58

    Memento 3：通过可修订规则手册实现基于模型的递归自我改进

    Memento 3 让冻结参数的 LLM 智能体通过外部记忆持续学习显式世界模型：维护自然语言规则手册作为持久语义记忆，并将其编译为可执行代码用于预测与规划，通过观察、反思、修订、编译与验证的循环，用预测误差同时改进规则手册和代码，更新后的代码需通过 LLM 忠实性判断与逐格回放验证才被接受。

    推荐理由：论文给出 ARC-AGI-3 全部 25 个公开游戏通关与 RHAE 100.0 的量化结果，可评估该方法的实际效率。

  5. Hugging Face 每日论文62

    MiMo-V2.6：通过扩大强化学习算力迈向自我改进

    MiMo-V2.6 系列报告介绍了一个全模态模型家族，通过扩大 RL 算力推进模型智能：异步训练每步消耗 1,568 个样本和 2.7-3.7B tokens，上下文长度最高达 1M；环境覆盖代码、通用、视觉和网络领域，并引入 groupwise agentic grading 提供更准确的奖励信号。

    推荐理由：报告拆解了扩大强化学习算力的三个维度及配套基础设施，便于评估其可复现性。

  6. arXiv cs.RO 机器人学62

    VioLA：从人体数据学习人形机器人通用控制策略

    VioLA 是一种人形机器人通用策略，它预测身体与手部动作潜变量而非关节指令，由预训练控制器在机器人上执行，动作编码器把人体与机器人动作映射到同一潜空间。

    推荐理由：论文用人体动作潜变量替代关节指令，把人类演示直接复用为人形训练数据，给出了可迁移的数据利用思路。

  8. arXiv cs.RO 机器人学56

    残差建模缩小机器人学习中回归策略与生成策略的差距

    论文从统计建模视角重新审视直接动作回归（MSE-Policies）与扩散/流匹配生成策略（Flow-Policies）的性能差距，分析真实机器人演示数据发现残差尺度存在显著的状态相关变化且尾部重于高斯分布，MSE 会把更多梯度分配给大残差样本从而损害优化。

    推荐理由：论文从残差统计视角解释回归与生成策略的差距，并给出可复用预训练网络的高效替代方案。

  9. arXiv cs.RO 机器人学58

    HWAM：联合生成关节状态与动作的人形世界动作模型

    论文提出 HWAM（Humanoid World Action Model），把机器人执行后的本体感知状态作为显式预测目标，联合生成参考动作与实际达成的身体状态，以缩小策略参考动作与实际执行运动之间的差距。

    推荐理由：论文指出分层人形系统中参考动作与实际执行存在差距，并给出联合预测执行后状态的建模思路。

  10. arXiv cs.RO 机器人学62

    TACROSS：面向异构触觉传感器的低成本人手触觉迁移系统

    TACROSS 是一套将人手触觉迁移到机器人的可扩展系统，在接触事件层面而非原始传感器数值层面对齐异构触觉流。其硬件集成五层压阻手套，成本 USD 10.86、含 285 个感知点；通过 canonicalizer 与残差适配器将异构信号映射到 256 维共享触觉隐空间，并用跨手指注意力的时序 Transformer 实现。

    推荐理由：论文给出了手套硬件成本与遥操作效率对比数据，可评估触觉数据采集方案的性价比。

  11. arXiv cs.RO 机器人学58

    WARP-VLA：面向腕部相机视角鲁棒性的 VLA 策略执行方法

    论文提出 WARP-VLA，一种针对多样腕部相机配置的视角鲁棒 VLA，采用 Mixture-of-Experts 架构，各专家学习视角特定的特征变换，路由器依据隐式视角信息进行组合，部署时无需额外输入相机外参。

    推荐理由：论文给出在 LIBERO 上把 pi-0.5 腕部视角扰动成功率从 39.2% 提到 78.3% 的量化结果，可评估该方法对跨部署视角变化的实际收益。

  12. arXiv cs.RO 机器人学51

    DAMP：基于去噪信念学习与对抗运动先验的人形机器人运动控制框架

    论文提出 DAMP，一个面向复杂地形的强化学习框架，在假设无感知信息可用的条件下实现鲁棒且自然的人形机器人运动。框架利用循环网络捕捉时序依赖，隐式推断特权信息及其他任务相关隐变量，并将学到的表征与任务目标对齐以实现稳健、目标一致的策略学习。

    推荐理由：论文说明了在无感知信息假设下用循环网络隐式推断特权信息的思路，可作人形运动控制的方案参考。