Dex-One2Many：从单次人类演示中学习灵巧操作
机构 * Seoul National University（首尔大学） ； University of Maryland, College Park（马里兰大学帕克分校） ； All Purpose AI ； KAIST（韩国科学技术院）
AI总结 Dex-One2Many是一种实境-仿真-实境框架，从单次人类视频学习灵巧操作策略，通过场景图指导强化学习，在五项任务中已见配置性能超基线6.5%、未见场景超71%，实现高效探索与强泛化。
Comments Project page: https://dex-one2many.github.io/
Rubric-CEPR：基于奖励验证自蒸馏的自进化图像编辑
机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Aalto University（阿尔托大学）
AI总结 本研究提出Rubric-CEPR自进化图像编辑框架，仅用编辑器自身生成结果，通过规则增强的CEPR奖励验证样本并蒸馏优化，在多数据集上提升了图像编辑性能。
Comments Project Page: $\href{https://riteshthawkar.github.io/Rubric-CEPR/}{\text{this URL}}$
DreamTrue：具备反事实后训练的动作忠实机器人世界模型
机构 * Institute of Automation, Chinese Academy of Sciences (CASIA)（中国科学院自动化研究所） ； Alibaba Group（阿里巴巴集团） ； Amap（高德地图）
AI总结 本研究提出DreamTrue机器人世界模型，通过离线几何校准和反事实后训练解决动作跟随与交互覆盖问题，在AgiBot上实现最优动作跟随，将交互缺陷率降至6.25%，获2026年AgiBot世界挑战赛世界模型赛道第一。
Comments project page: https://brave-eai.github.io/DreamTrue; code: https://github.com/brave-eai/DreamTrue
CSF：面向运动生成器的上下文安全过滤
机构 * California Institute of Technology（加州理工学院） ； New York University（纽约大学）
AI总结 针对文本条件运动生成器缺乏场景依赖安全感知的问题，提出无需训练的上下文安全过滤（CSF），可降低危险事件率达90%，在Unitree G1上成功阻止多种场景下的不安全运动。
Comments 8 pages, 6 figures, website at https://lzyang2000.github.io/csf/
关于AI时间范围的估计与有效性——对METR图的统计学分析
机构 * UC Berkeley（加州大学伯克利分校）
AI总结 本研究通过样条函数和项目反应理论重新计算METR的50%AI时间范围，优化了估计方法并提供诊断图，为AI能力的可解释评估提供了更可靠的工具。
平衡数据策略：解决机器人控制超大规模强化学习中的探索瓶颈
机构 * University of Washington（华盛顿大学） ； NVIDIA（英伟达）
AI总结 该研究针对超大规模机器人控制RL的探索瓶颈，提出SGS自适应采样器，结合百万级并行仿真，解决多地形四足运动等难题，实现策略向真实硬件的零样本迁移。
Comments CoRL 2026. Project website: https://sgs-rl.github.io/
30000小时自我中心视频无法教会的东西
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Carnegie Mellon University（卡内基梅隆大学） ； Johns Hopkins University（约翰斯·霍普金斯大学） ； Toyota Research Institute（丰田研究所）
AI总结 该研究利用30000小时自我中心视频数据集，发现扩展数据可提升智能体建模但对象保真度提升缓慢，通过视觉条件设计和监督方案优化，表明缩小建模差距需关注训练方式而非仅数据量。
OuroWorld：将任意3D世界转化为多样、无限循环的3D动态影像
机构 * National Yang Ming Chiao Tung University（国立阳明交通大学） ； Alaya Lab（Alaya实验室）
AI总结 OuroWorld是一种无遮罩框架，通过提出Inconsistency-Robust Periodic 4DGS方法，将静态3D高斯溅射场景转化为可从任意视点无缝循环的3D动态影像，在39个场景的用户研究中胜率达70.8%-99.0%，性能优于基线方法。
Comments Project page: https://ouroworld.userwei.com
WorldGuide：面向流程任务执行的目标导向视频世界模型
机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
AI总结 本文提出WorldGuide模型，通过联合训练规划器与执行器实现闭环流程任务执行，在WorldGuide-Bench和VideoCraft-Bench上的任务成功率均优于对比模型MiniMax-H3，验证了规划与执行耦合的重要性。
Comments 34 pages, 14 figures, 15 Tables
OmniCapBench：面向细粒度视听字幕生成的深度结构化评估框架
机构 * Hunyuan, Tencent（腾讯混元） ； Nanyang Technological University（南洋理工大学） ； Northumbria University（诺森比亚大学）
AI总结 研究针对MLLM视听推理评估的痛点，提出OmniCapBench深度结构化评估框架，通过原子评估单元实现可靠评分，揭示前沿MLLM局部感知强但长时视听推理弱的问题，为全模态发展提供路线图。
Comments Accepted by NeurIPS 2026. Code and benchmark can be found at https://01yzzyu.github.io/OmniCapBench/
SpatialHarness：面向精细机器人操作的测试时空间支架
机构 * College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与人工智能学院） ； Singapore Management University（新加坡管理大学） ； Institute of Trustworthy Embodied AI, Fudan University（复旦大学可信具身智能研究院）
AI总结 SpatialHarness是一种无需微调策略或更改传感设置的测试时具身支架，通过同步模拟场景提升空间可观测性，使GPT-6 Astra在四项真实机器人精细操作任务上的成功率显著提升。
BrickBench：评估智能体的乐高套装设计能力
机构 * Stanford University（斯坦福大学） ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； Inria（法国国家信息与自动化研究所）
AI总结 该研究提出BrickBench基准与BrickAgent环境，评估智能体的文本条件乐高设计能力，发现主流智能体虽满足部分要求但不及人类设计，相关资源已公开。
Comments Project page: http://www.brickben.ch
VersaCamVLA：用于机器人操作的相机可配置VLA策略
机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））
AI总结 针对VLA模型部署时相机配置变化导致性能下降的问题，提出相机可配置框架VersaCamVLA，通过解耦相机集表示与动作学习实现稳健操作策略，在多基准及真实机器人上性能优于现有方法。
Comments Accepted at NeurIPS 2026. Project page: https://boyaohan.github.io/VersaCamVLA.github.io/
预条件空间中的舍入：重新设计4位AdamW优化器状态量化
机构 * University of California, Berkeley（加州大学伯克利分校） ； Nubank（努班克）
AI总结 该研究针对AdamW优化器状态量化的误差问题，提出ZIP-SR和ZE-EDEN两种4位量化方案，在1.3亿至27亿参数的预训练中缩小了与32位AdamW的损失差距，微调时性能优于TorchAO。
Comments 23 pages
LEGO：一种用于异中心视角到自我中心视角视频生成的无提升方法
机构 * GenGenAI
AI总结 LEGO提出无提升的LVSM风格Transformer视角合成器，解决异中心到自我中心视频生成的跨视角对应问题，性能优于现有方法且可泛化至其他数据集。
面向人-机器人灵巧操作的生成式神经重定向
机构 * Meta Reality Labs Research（Meta现实实验室） ； UC Davis（加州大学戴维斯分校） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； UC Berkeley（加州大学伯克利分校） ； MIT（麻省理工学院） ； CMU（卡内基梅隆大学）
AI总结 该研究针对人类演示重定向至机器人时的动力学不可行等问题，提出生成式神经重定向（GNR）方法，样本效率远高于MPC，构建了大规模灵巧操作数据集。
VioLA：从人类数据学习通用人形机器人控制策略
机构 * ETH Zürich（苏黎世联邦理工学院） ； MPI-IS（马克斯·普朗克智能系统研究所） ； University of Tuebingen（蒂宾根大学） ； ELLIS Institute（欧洲学习与智能系统研究所） ； Vesoma（维索马公司）
AI总结 VioLA是一种从人类数据学习的通用人形机器人控制策略，通过预测运动潜变量解决动作空间耦合与演示稀缺问题，零样本实现高成功率的运动与操作任务，且方法可适配多种模型主干。
FAITH：面向高维系统的可行性感知安全过滤强化学习
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Amazon（亚马逊公司）
AI总结 FAITH 是一种无模型可行性感知安全过滤强化学习框架，可近似最优安全值并摊销最小干预过滤，在双积分器、Safety Gym 及 Unitree G1 人形机器人任务中实现了高安全率与任务性能的平衡。
Comments 8 pages, 7 figures
适用于轨迹扩散的可控制不确定性
机构 * National University of Singapore（新加坡国立大学） ； Smart Systems Institute, NUS（新加坡国立大学智能系统研究所） ； LAAS-CNRS（法国国家科学研究中心自动化与系统分析实验室）
AI总结 针对扩散模型提取不确定性需高代价蒙特卡洛采样的问题，提出轻量级模块SCOPE，为轨迹扩散模型增添可控制不确定性，在多任务评估中实现快速不确定性估计并提升闭环性能。
Comments Accepted at the Conference on Robot Learning (CoRL) 2026 as a Spotlight presentation. 39 pages, 12 figures
FastBench：流式视觉语言模型（VLMs）能否感知高动态真实世界流？
机构 * CUHK MMLab（香港中文大学多媒体实验室） ； Huawei Research（华为研究院）
AI总结 本研究提出用于评估流式VLMs高动态感知能力的FastBench基准，设计含306个QA对，提出无需训练的基线ProactiveFrame，实验发现现有VLMs在高动态场景下表现受限，为相关研究提供测试平台。
Pumpire：用于度量距离估计的统一基准
机构 * Zhejiang University（浙江大学） ； Zhejiang University of Technology（浙江工业大学） ； Shanghai Jiaotong University（上海交通大学）
AI总结 Pumpire是用于评估带/不带深度先验的图像、视频级3D基础模型点对距离估计能力的统一基准，含6400帧的pumpire-6k数据集，经29种基线实验分析，填补了物理尺度感知评估的空白。
Comments Project page: https://pumpire.github.io/
超越时空先验：一种可泛化的密集对应匹配方法
机构 * The University of Hong Kong（香港大学） ； ByteDance Seed（字节跳动 Seed） ； Zhejiang University（浙江大学）
AI总结 该研究提出可泛化框架FreeMatching，结合生成与语义基础表征及异构监督，提升IEG图像对的对应质量，可作为身份保留的定量指标。
Comments Accepted at NeurIPS 2026. 24 pages, 7 figures, including appendices
面向安全关键强化学习的统一贝尔曼算子
机构 * Princeton University（普林斯顿大学）
AI总结 本研究提出统一贝尔曼算子，将安全关键强化学习的性能与安全目标整合，经理论证明收敛，在连续控制任务上实现近零安全违规的稳定收敛。
OneSearch-VL：面向图像与视频的统一多模态深度研究智能体
机构 * BUAA（北京航空航天大学） ； CUHK（香港中文大学） ； NTU（南洋理工大学） ； THU（清华大学） ； HFUT（合肥工业大学）
AI总结 本研究提出以视觉定位证据图（VGEG）为核心的统一多模态深度研究智能体OneSearch-VL，构建相关数据集与基准，在图像、视频深度研究任务上较Qwen3-VL-8B取得显著性能提升。
WOVEN：将视觉世界建模融入多模态大语言模型
机构 * Northwestern University（西北大学） ； Carnegie Mellon University（卡内基梅隆大学） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； Amazon（亚马逊）
AI总结 该研究针对多模态大语言模型的视觉推理缺陷，推出WOVEN训练源与基准，发现其可提升模型在多数外部基准的性能，确立视觉过渡推理为视觉世界建模的可复用基础。
MAMHOI：通过可供性分解场景感知的人-物交互
机构 * College of Computing and Data Science（计算与数据科学学院） ； Nanyang Technological University（南洋理工大学）
AI总结 针对人-物-场景配对数据稀缺的问题，提出MAMHOI方法，通过可供性介导分解场景感知HOI生成，实验显示其可减少物体-场景穿透，提升交互质量与物理可行性。
Comments Project page: https://leimingyuan.github.io/MAMHOI-project-page/
WorldCast：分布式多人世界模型
机构 * CUHK-Shenzhen（香港中文大学（深圳）） ； SLAI（深圳人工智能研究院） ； Tsinghua SIGS（清华大学深圳国际研究生院） ； Voyager Research, Didi Chuxing（滴滴出行 Voyager 研究院） ； USTC（中国科学技术大学）
AI总结 本文提出分布式多人世界模型WorldCast，通过本地客户端与相机对齐的玩家状态场、共享场景状态实现高效多人生成，在《反恐精英2》上验证了其一致性、实时性与可扩展性。
Comments 31 pages, 19 figures, 20 tables. Project page: https://ziyang-ye.github.io/WorldCast-Page
GLIO2：一种用于鲁棒实时全局定位与建图的GPU并行紧耦合激光雷达-惯性-全球导航卫星系统（GNSS）系统
机构 * The Hong Kong Polytechnic University（香港理工大学）
AI总结 本文提出GLIO2，一种GPU并行紧耦合激光雷达-惯性-GNSS系统，通过滑动窗口因子图联合优化多传感器数据，在多基准测试中实现最优全局定位精度，边缘硬件上可实时运行，桥梁场景下对比基线发散时仍保持1.6米水平精度。
Comments 23 pages, 16 figures, 8 tables; includes appendices
基于价值表征的对齐泛化预测
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Mila - Quebec AI Institute（米拉-魁北克人工智能研究所） ； McGill University（麦吉尔大学） ； ETH Zurich（苏黎世联邦理工学院） ； ETH AI Center（苏黎世联邦理工学院人工智能中心） ； University of British Columbia（不列颠哥伦比亚大学） ； Vector Institute（矢量研究所）
AI总结 本研究提出对齐泛化预测任务，发现基于模型情境价值应用激活的表征优于文本描述表征，还构建了首个基于经验泛化动态的LLM价值分类体系。
探寻“有害弃权”：一项对AI安全基准的心理测量学审计
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Indiana University（印第安纳大学） ； Google（谷歌公司）
AI总结 该研究针对AI安全基准HELM Safety，通过心理测量学测试发现HarmBench未测量单一属性，指出安全基准的总体分数会混淆不同有害行为，主张分数需先获得单一属性解读的合理性才能用于模型比较。
Comments COLM 2026, AI for Measurement Science (AIMS) Workshop
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈