首个评测视频模型能否以第一人称视角完成多步目标导向物理操作的基准与无参考自动评测管线。
标签:
全部
强化学习
扩散模型
大语言模型
基准测试
视频生成
LLM智能体
世界模型
视觉语言模型
GRPO
多模态大模型
知识蒸馏
基准评测
具身智能
流匹配
机器人操作
多智能体系统
智能体
LLM Agent
可解释性
图像生成
代码生成
多模态学习
检索增强生成
注意力机制
RLVR
后训练
视频理解
机器人学习
长上下文
多模态
数学推理
图像编辑
VLA
数据合成
多模态大语言模型
推理加速
高效推理
评测基准
自监督学习
工具调用
对比学习
扩散语言模型
视觉-语言-动作模型
参数高效微调
Transformer
工具使用
LoRA
持续学习
LLM评估
自蒸馏
多模态推理
RAG
模仿学习
综述
LLM推理
信息检索
信用分配
在线策略蒸馏
模型压缩
合成数据
固定状态换目标重排动作偏好,激发预训练世界知识,实现未见环境的可迁移决策
世界模型想象执行并诊断首个失败子任务,把稀缺示教定向投给对应的技能专家
机器人上下文学习:方法与应用
👍 89按证据到动作的执行接口综述机器人上下文学习,提出四家族分类、评估控制与自改进议程
把正则化目标从各向同性换成可学习的各向异性高斯,使潜空间几何对齐任务代价,提升规划成功率。
分层KV缓存加混合稀疏注意力,让交互式视频世界模型以22 FPS生成60秒长视频
解耦动力学学习与动作接地,用万小时视频加图像空间动作映射训练跨本体机器人世界模型
把世界状态与机器人执行都写成可执行代码,让物理智能体可验证地观察、行动并自我进化
在DA3几何潜空间做扩散,注入Wan2.2视频先验与点云空间记忆,9秒生成世界一致新视角
用候选动作的执行结果监督候选未来之间的关系学习,让潜在距离排序与决策成败对齐
训练世界模型中的客体永久性
👍 96用150个认知科学任务与150万样本微调视频世界模型,使其习得客体永久性与坚实性
世界模型不再模拟工具响应,而是预判决策效果并直接编辑智能体状态
用稀疏视觉增量替代密集未来帧建模,流式增量记忆让机器人世界模型又快又稳。
系统综述AR视频生成的记忆机制,提出形式-功能-操作-学习-评估五维分类与记忆揭示型评估准则
用W1–W6六级能力框架统一评测视频、空间、具身世界模型的交互可靠性
以关节轨迹条件化的因果自回归扩散世界模型构建实时、可扩展的机器人神经仿真器
把几何基础模型特征重参数化为紧凑潜空间,让感知与生成共享同一状态
离线缓存世界模型特征做余弦对齐,0.8B小VLA零推理成本获得大模型级精度
图世界模型预演修复LLM计划并在线重排任务,成功率41.2%→91.8%
提出正交预测分解OPF,把JEPA单目标嵌入拆为互补正交因子,用一套核心横跨七个领域实现世界建模