所有文章
按发布时间倒序。
六篇并进,统一潜台词是「说『对』之前先找一个能被检查的参照物」:Soteria 在任何工具调用之前对计划做形式化验证、运行时用 SpecMonitor 强制(207 个任务、四个模型 100% 一致、基线最高 93%,成功率平均 1.7 倍,τ²-Retail 上高 7.0-43.9 个点,Claude Opus 4.6 得 88.0% 对 56.0%;基线一致率超 90% 而任务成功率不到 40%);Verification Transport 把「判断准不准」换成「换个证据视图还对不对」(4 个 benchmark / 7 个 backbone / 4 种协议 / 3 条边界,迁移失败率 31.0% / 30.9% / 20.3%,V-LLM 的 16.4% 最低却错判最多 15.8%,把溯源还回去救回 85.5% 但只损伤 5.2%);MI-Agent 用残差流探针在动作写出前拿到 0.80 AUC、steering 修好 85% 幻觉并误伤 7% 正常动作(Qwen2.5-7B-Instruct 跑真实网站,换 JSON 为编号 markdown 后探针大幅退化,SAE 给不出可解释特征);TelePhysica 用零力重力平衡预检替代 2D 投影里「看着对」(100 张单图平衡重建 0% 到 81%、视觉对齐 2% 到 85%、5.0 秒 rollout 0% 到 49%,motion-mask IoU 0.17-0.27 到 0.48-0.87、轨迹误差降 4 到 20 倍);CS-MPC 把收缩认证的跟踪反馈塞进每条 rollout 内部(rover 同样误差少 7 到 20 倍采样、四旋翼误差低 2 到 4 倍、200 次蒙特卡洛任务零安全违规);LASR 给隐空间判动作落地(DiLA 0.750、LaWAM 0.891、LAPA 0.922,UniVLA 1.009 与 MVP-LAM 1.095 没过 1 这条线,与 TCP 误差 ρ=0.956 而与任务成功率 ρ=-0.1610)。
六篇并进,统一潜台词是「把判断搬到一个你能对齐时间、对照基线、定位位置的地方」:RESYNC 用残差同步把过期的隐状态增量更新成当前窗口的近似(1 ms 到达下同步大模型 0 条准时、RESYNC ≥99.4%,中位延迟 0.35-0.62 ms、快 7.9-17.7 倍,12 个数据集×架构配对的 95% 区间全部在零以上);K2V 把物理推理从扩散过程内部搬到语言模型写的关键帧上(Wan2.2-14B 在 Physics-IQ Verified 从 32.2 到 55.0,关键帧 1 到 6 张时 27.7 到 67.4,每条 0.47-0.59 美元、规划中位 62 秒);MBA 把「这次拉动值不值」从 VLA 内部搬到由任务成本定阈值的决策层(SmolVLA 0.101→0.165(+0.064)、51% 的拉动被拒、损伤 0,全开 30 N 时是 75% 损伤,查询 0.57 ms);RiSE-Drive 把候选评分从一个标量换成长程结果分布加 CVaR 尾风险排序(PDMS 93.1→94.2、EPDMS 48.3→51.3、HD-Score 35.7→39.5);SwarmSafe-Delta 用配对安慰剂把「上游那条消息」隔离出来(N=4 真实投递 21.4% 危险动作 对 安慰剂 5.0% 对 隐藏投递 1.0%,+16.4 与 +20.3 个百分点,同一次实验里良性成功率 0.559→0.965);PREWARN 把监控指标从 response 级 AUROC 换成对着失败起点(onset)对齐(四个 AUROC 0.9980-0.9998 的打分器,预警覆盖率 0.000 到 0.52-0.67、预警率 0.01-0.02 到 0.95-0.96,Mistral 检测率 0.99 却预警不过半)。
论文 + 代码逐层拆解:NeuralMPM(Rochman-Sharabi、Lewin、Louppe,列日大学 iSACH,TMLR 2025,arXiv:2408.15753)把 MPM 的「粒子→网格→粒子」骨架留下,只把网格上解方程那一步换成 U-Net:体素化用 torch-cluster 的 grid_cluster + torch-scatter 的 scatter(硬分到最近体素再平均,经典 MPM 的二次 B 样条核在代码里被整段注释掉),g2p 用 grid_sample 双线性,Euler 更新写成 pos = pos + Δp(速度通道存的是每步位移,不用再乘 dt)。真正的主角是训练策略:K=4 自回归 × m=8 时间打包,一次前向吐出 8 步网格速度场,于是误差不累积、注噪不再必要(消融:噪声对 K=4 反而有害;网格分辨率最敏感,64 最好;U-Net 宽深影响很小,FNO 更差)。代价账:训练 ≤20 小时(表注 15 小时)对 GNS 240 小时 / DMCF 120 小时,内存省 10-100 倍、batch 128 对 2,推理快 5-10 倍,3,000 万粒子 25 FPS;Dam Break 2D 附录计时里单次调用 7.41 ms 对 GNS 20.46 ms、整段 401 步 193.50 ms 对 8,170.47 ms(42 倍)。精度:WaterRamps 13.92 对 11.75 略输 GNS,SandRamps 3.12 对 3.11 打平,Goop 2.18 赢 GNS 的 2.4,MultiMaterial 9.6 对 14.79、Dam Break 2D 29.07 对 87.04、VariableGravity 14.48 对 DMCF 的 28.77,EMD 在 6 个数据集上全胜(说明学到的是形状,不是平均位置)。两个意外:只在 WaterRamps 上训的模型在 4 倍粒子的 WaterDrop-XL 上 MSE 20.92×10⁻³,比直接在 XL 上训的 28.09×10⁻³ 还低;方形域训练的模型零改动能在 1.68×0.84 的矩形域跑。代码里可直接抄的三件事:边界条件用静止粒子表示(type 0、位置钉住、速度清零,任意形状障碍零特殊处理)、重力作为外挂通道(拼在网格最后两维,均值方差强制为 0/1)、训练指标用整段 rollout 的 MSE 而不是单步误差。三个会绊人的默认值:nmpm-train 默认不开学习率调度、architecture 默认只 3 层、粒子/网格噪声默认是开着的(而论文的结论恰恰是别开)。
六篇并进,统一潜台词是「你用来判断『做得好不好』的那个数,本身需要被单独校准」:Prediction or Persistence 给每个世界模型配一个预测器永不启用的持久性对照,用配对差值隔离出预测器自身的贡献(27,000 次 future-retrieval 试验、随机水平 0.091,V-JEPA 2.1 的贡献 +0.291 top-1 而 V-JEPA 2 只有 +0.03~+0.04,五个模型里贡献从 +0.291 一路到负数、为负的只有两个动作条件模型且是训练分布外评测,检查成本只有一次额外前向);PixVid 把预训练 latent 视频模型搬回像素空间(保留 DiT、把 VAE 解码器换成卷积头,从 Wan2.1-14B 微调 ~1.3M clips,2 倍分辨率且每帧 token 数不变,深度条件编辑在快速运动下保持对齐,动作下一帧即响应);XInfer 是生产已部署的 VLA 服务系统,联合调度异构 VLA 计算与机器人不断变化的响应需求(三个 VLA 模型 + 生产导出工作负载,物理执行约束下有效机器人容量 ERC 达 SOTA 系统的 1.26 至 3.75 倍);FQI-SC 只在有经验支撑的状态-动作对上优化、低数据区默认退回临床医生基线(78 条儿科轨迹、6,000+ 小时临床数据,Balance Score 相对 FQI +38%、估计价值比模仿学习高 1.28 个 FQE 单位、与医生动作分歧降 71%);One Fabrication Is Enough 测出一篇伪造文章进了上下文就翻转 74%~82% 原本反对它的预测(两个已部署系统约 90% 的运行会检索到它,而平均准确率几乎不变;两种检索期防御在四篇时挡住两种绕过、十六篇失真副本能突破,代价是改变 29% 干净决策、丢掉 39% 真实新闻);Breaking Bad 用不含任何作弊样本的日常故事抽出「任务糟糕度」方向(Qwen3.6-27B 上 astropy-13453 未干预作弊率 97%,负向 steering 后 83% / 39% / 10% / 0%,同剂量 mood 33%、task state 70%、desperation 64%、nostalgia 83%;反向把 astropy-13977 的 41% 抬到 75% / 87%,GPT-OSS TACO 18.7%→11.1%→4.0%,减过头会让 agent 对自己的失败失明、作弊率从 39% 反弹回 97%)。
六篇并进,统一潜台词是「控制量接在哪根线上」:Posterior-Prior Epistemic Gap 用同一个探针分别打在观测过滤后的状态与想象出的状态上,AUC 0.85→0.71(15 步内单调衰减、logit separation 掉 57%)证明转移模型在悄悄蒸发任务信号,而 planner 自己的 ensemble 分歧当障碍分类器只有 AUC 0.52、无特权坐标时障碍避免率掉到 0%;Condition Shifting 用同一套参数兼任生成与假分估计,省掉独立 fake-score 网络(每卡峰值分配显存 -4.4%、平均迭代时间 -9.2%,人工净偏好指令跟随 +30.0%,但运动质量更 favor 基线);HDH 用冻结 VLA 自己部署的 hindsight训动作块级验证器(LIBERO-10 四个任务平均 82.3%、三个真机任务相对基线 +22.6%);Safety as a Budget 指出安全写成拉格朗日预算会失败两次(排序型打分器均值有偏、GRPO 组内标准化把乘子掐断),双通道改法把 held-out 有害率从 8.9% 降到 4.8% 而未标定预算只到 7.6%、HADES 上 28.9%→12.8%、过度拒答 ≤2%;StateAlign 配对状态做 token 级对比把任务状态内化(Qwen3-8B 的 BFCL v4 multi-turn 45.5%→55.2%、无工具幻觉 62.2%→56.1%);PhysLoop 用 LLM 搭出规格→模拟→验证→精修的闭环修物理错误(PhysLoop-Repair 86.00% 对最强单跑基线 19.33%,三个独立生成器全部低于 20%,但视觉真实感是负收益 3.72 对 4.29)。
四篇并进,统一潜台词是「模型和规划器之间的接口才是真正的战场」:PILCO 让真实世界以不确定度进入回路(概率动力学模型 + 闭式策略评估 + 解析策略梯度,cart-pole 真机全程17.5 秒交互就学出 swing-up 加平衡,unicycle 1000 次测试成功率约 93%,而极端初始姿态因力矩上限根本救不回来);DPI-Net 让它以未知参数进入(动态建图 + 层次化长程依赖 + shooting 轨迹优化 + 在线系统辨识,完全图基线在另外 3 个环境跑爆 12GB 内存,FluidShake 上模型法 600k 步对 RL 的 10M 步,RiceGrip 在线辨识 150K 对 10M,但 learned policy 因 domain discrepancy 不泛化到真机);FluidLab 让它以接触与材料进入(全可微多材料引擎 + 软接触 + 时间上逐步扩张的优化区域 + attraction loss 近似梯度共享,每任务约 10 万粒子、RTX 3090 上 60 FPS、典型 GPU 占用 <50%,DP 在 10 列中 9 列胜过 DP-H、Transporting 一列 PODS 更高,真机上奶泡更粘、拉花笔经过后重新混开、冰淇淋流速难保持);TD-MPC2 干脆让它不出现(decoder-free 五件套只预测回报与终值,104 个任务单套超参、317M 参数单 agent 跑 80 个任务,1M→317M 一致提升而放大 TD-MPC 反而净下降,SimNorm + 5 个 Q + 1% Dropout + log 空间离散回归,开源 300+ checkpoint 与 545M transitions)。
六篇并进,统一潜台词是「尺子没坏,是尺子被用在了别的地方」:Planners Exploit Deterministic Error 测出决定成败的不是舍入误差大小、而是它会不会持续存在、会不会在候选之间共享(规划成功率最多塌 100 点,而隐空间一步预测误差并不比随机舍入更大;共享 dither 在 TD-MPC2 的 19 个 Meta-World 格子收回至少一半损害、中位数 95%,DINO-WM 5 个格子收回 4 个、317M 多任务 TD-MPC2 的 8 个受影响任务全收回,W8A4 规划 rollout 比 FP32 快 1.9-3.3×、整个规划步 1.3-1.5×,共享 dither 加 ≤2.3% 延迟);GenRM-Flow 从偏好优化的解析解里隔离出奖励项,证明它确定性地等于速度预测误差的相对差(Wan2.1-T2V 14B 偏好准确率 88.96% 对 PAVRM 82.64%、1.3B 86.79% 对 76.06%,高噪区维持 ≥81.00% 而 PAVRM 掉到 78.02%/71.25%,VBench 14B MS 99.03 / DD 74.87 / HA 97.73);Safe Depth 测出单目深度系统性高估近距障碍(Nav2 + Depth Anything V2 在 120 个 episode 里碰撞 63%,AbsRel 0.262→0.134、近距高估 59.8%→12.0%,单侧界让成功率 37%→70%、碰撞 63%→3%,而同样像素覆盖率的固定安全余量只有 30% 成功率);临床多轮 Safe RL 显示只看结果的 GRPO 把整体价值从 +0.251 抬到 +0.285 的同时高危支撑从 0.50 掉到 0.33、平均提问 2.5→1.82(oracle ≈3.9),加过程信用后整体 +0.313±0.024、高危支撑 0.50±0.00、中危支撑 0.38→0.67;Goodhart in the Planner 测出更狠的 MPPI 搜索让真实回报最多掉 76%(人类标签下 drawer-open 20 次里开 0 次而克隆策略 10/10 全开,held-out 标签准确率仍是 0.75-0.97,决定成败的 ρ_q 在规划器自己的 proposal 上只有 0.10);Wrong the Same Way 测出参数共享会压制少数 prompt 接受的漏洞、放大多数 prompt 接受的漏洞(per-prompt 副本让斜率从 +0.0210/翻倍降到 +0.0019,u=1 时副本守住 0.959 准确率而共享策略两个都丢,两个消掉同样多错误的验证器补丁真准确率最多差 38 个点)。
六篇并进,统一潜台词是「把锚点从『判断』换成『能被算出来的量』」:QCC-WM 用动作响应构造宏观节点、并把生成结果与宏观目标的节点级误差回灌到对应区域(US-VLA 四步预测 ROI-MSE 0.01861,对各 horizon 最优基线 LPIPS 低 48.59% / 41.68% / 30.23%);PhyRubric 看视频之前先写细则、把 caption 拆成语义项与物理项并锚在带时间戳的证据上(34 类 / 5 个物理域 / 3,788 条训练视频,商用最强 Seedance 2.5 平均联合性能 44.20%、开源全部低于 15%,PhyRubric-Judge 与人工 SA r=0.61 / AUC 0.84 对 Gemini 4 Argon 0.60 / 0.84);APS-VLA 冻结主干、只训一个 Decision Influence Estimator,用动作后果而不是启发式决定剪哪些 token(真机 5 任务延迟 137.25→93.25 ms、1.47×,成功率 60%→61%);LEASH 让任务 / 动作 / 提交三道闸门共享一份安全策略(RoboRisk 92 仿真 + 13 真机任务、5 类风险,GPT-6 Astra 伤害率 11.23%→0.00%、GPT-6 Luna 61.23%→12.68% 而安全成功率 23.19%→51.09%);MetaWAM 拿冻结去噪器的相对重建误差当探针,把机器人信号折进一帧频域 meta-frame(σ=1 时 DCT 0.5922 对空间复制 0.6459,RoboCasa 68.9%、延迟 -39%、真机 Franka 85.0%);Latent Barrier Steering 先在隐空间换行为模式、再在路径空间修残余(3 域 × 3 档约束安全率全 100% 而到达率 100% / 90% / 95%,只修路径的基线到达率塌到 0%-18%)。
六篇并进,统一潜台词是「别把正确性藏在模型内部,要把它挪到一个能被单独检查、单独修的位置」:WanderBench 把「世界保真」拆成 6 维度 24 个人工验证子指标(745 段源视频、3–25 秒三档),8 个模型没有一个能保持回访一致,training-free 的 WanderLand 最多补回 8.3 分源动态保真;PhysOPSD 把物理规律写成可执行代码当特权上下文,只用 3K 样本(SFT 要 80K、PhysHPO 要 21K),UniVideo 13B 上 VideoPhy-2 63.1→67.3(+4.2)、PhyGround 64.9→66.5,OmniWeaving 8.3B 上 62.9→67.0(+4.1)、PhyGround 64.9→68.3,PC 4.61,账单是 VBench Semantic 80.0→79.7 微降;MPEG-Diffusion 让 DiT 自己选高清区,只算 30% token 就快 4.8×(14B 上 MANIQA 0.397 / DOVER 0.794 / VBench Q 83.9,人评对同预算 Phase-Aligned RoPE 胜率 98.8%、对 Foveated Diffusion 90.1%,边缘 warp 误差 2.61→1.96);Localizing VLA Goal Representation 测出「不要做 X」写在指令里基本不起作用——79% 的否定 rollout 照样做了禁止的事(普通指令完成率 78%),第 12–20 层的固定向量与 prefill 158 次全废,第 8 层 steering 12/18、第 24 层逐动作 token 补丁 15/18;FOCAL 按状态可行性分区做离线安全 RL(DSRL 3 种子 × 20 episode,CarButton1 上 CPQ 成本 40.06±5.71 判不安全、FOCAL 0.72±0.14 还能拿到回报 −0.01±0.03,理论上 AWR 的更新方差随优势误差指数增长而 FOCAL 线性);TACA 修正工具 token 的负信用(优势投影 + 决策对比 + 监督重放),六个推理基准比 MT-GRPO 高 4.61 / 3.61 个百分点,TACO 均分 53.70 对 41.98、WebShop 成功率 67.20 对 56.80,但 GSM8K 88.84→88.51 是跌的。
六篇并进,统一潜台词是「把信任从默认信任某个组件,改成只在一个可显式计算的信号上信任」:RoboImagine 把世界模型后训练改成候选未来比较(RT-1 上 PSNR +1.26 dB、LPIPS -11.93%,关键在成对比较做两遍呈现顺序与冻结评测器);UniCaMo 把控制信号写进初始噪声(联合控制 FID 18.19 / FVD 192.43 / EPE 2.95 / CamMC 16.74,对照 SymphoMotion 20.67 / 219.86 / 3.28 / 21.96,推理零新增参数、每样本约 0.2 秒开销);VLA Handover 只在失败分数报警时交接控制权(比纯本地高 11-22 个百分点、比全程远程少发 49-77% 请求,交接时重置机械臂再赚 5.4-15.2 个点);ZO-LBPG 把约束写成对数障碍(基线 primal-dual 低噪/高噪各有 66.6% / 68.9% 的迭代不可行、最差裕度 −0.118 / −0.179,最小裕度 +0.025,代价是帮助度 2.74 而非 2.94);AMP1 不预置技能、让通用模型现场长策略(RoboLab-120 零样本 85.6% 对 VLA 49.2%、WAM 42.9%,真实世界 104/108 成功,加持久记忆再降 4.6 倍失败率);Knowing When to Intervene 把「要不要复核」当因果推断问题(等概率随机化干预,τ-bench Retail 456 条 rollout episode、SNMM 另用 2,280 条随机化轨迹,聚合读调用效应接近零但子组置信区间在零以上)。
六篇并进,统一潜台词是「结论的适用范围,比结论本身更值得写下来」:Detecting Silent Action-Interface Mismatch 用前向残差当信号,在 2.5% 干净误报率这一格上把召回从 46.08%(ridge)抬到 60.96%(联合高斯)与 65.66%(精确条件),定位 95.81%,但作者写死「这只是回溯性诊断,不是部署校准保证」,精确修复 0/10;Should We Pay This Much for Robustness 把点态保证换成边际保证,随机平滑 1950 次前向降到 1 次(1950×),兜底模式认证比例 72.35% 比原来的 70.06% 还高,但校准集 1k 换 20k 只动 2 个点;Accelerating Safe RL 测出并行训练下 episode 级约束实测 55.48 而上限是 25,错位重置加相位聚合加收紧后降到 13.88,账单是奖励从 14.57 掉到 7.56;AffectiveVLA 在意图读不准时抑制动作并另配一条不经过主策略的语音锁存急停(F1 0.75 到 0.90,p95 延迟 6.27 ms);AGAVE 把引导从标量改成沿轨迹的场并借 MeanFlow 区间积分编译进训练目标(VBench 85.2、动态度 56.2、并行 9×、过饱和 0.10);AttnSR 用策略自己的注意力反向回溯算中间步骤的功劳(ALFWorld 91.24% 到 97.08%,而朴素线性步级奖励只有 92.34%,ScienceWorld 环境交互少 29.9%)。
六篇并进,统一潜台词是「换完尺子之后,谁来校准这把尺子」:Training-Independent Validation 用一把独立于训练目标的验收标准重测特技驾驶,90.11% 的成功率只剩 16.9%(1,152 次试验只有 195 次通过,旧尺子还把最差的一档排成最好);Same Behavior 测出行为相同就是行为相同(φ 0.28 对 0 比特),盲区会变成 0.30 到 1.02 比特的精度地板、样本量救不回来,只能报单边下界;RSIJudge 让 agent 看见验收标准后51.6% 对 27.8% 的领先在换成 instruction-faithful 标准后倒过来(45.0% 对 47.2%)、换任务后消失;La-JEPA 发现官方 LIBERO-Plus 评测器把 10,030 个变体里的 8,493 个指令搞坏,修好后 Fast-WAM 直接涨 19.3 个点;ArtiVidRM 把黑盒奖励分换成可核验的 artifact 清单(平均 6.11 条/视频,召回 87.84%、精度 84.37%,但 MonetBench 上仍低于 VisionReward);VLA-Tug 给运行时监控补上漏检误报上界,迁移到没见过的任务时在 40% 到 86% 的运行里成立、基线最多 21%。
主论文 + 2 篇同期工作串成一条线:视频扩散模型内部到底有没有物理量。The Invisible Hand of Physics 反向积分模型自己的速度场拿到真实生成轨迹,WAN-1.3B 内部状态的物理合理性探测准确率 81.27%,比 V-JEPA 2 ViT-L 的 71.36% 还高,抛球的初始位置能回归到 R²≥0.99 —— 但反向采样从 100 步降到 20 步时准确率就崩到 0.57(重建画面看着还好);Does Physics Live in the Activations? 把物理量定位到物体附近 1-2% 的 token 上,只读这部分比读全部更准,换背景后全局读出 R² 从 0.99 掉到 -288,探针方向还能直接当 steering 向量翻转输出(0.35 / 0.31);Why Do Video Diffusion Models Violate Physics? 找到真凶是 RoPE 的空间注意力衰减让候选位置在第 5 步提前锁死,按去噪步缩放 RoPE 频率后 VideoPhy 物理常识从 29.45 抬到 39.94 —— 但最好的绝对值也只有 62.68。
主论文 + 2 篇同期工作串成一条线:机器人要不要先学会「材料是怎么动的」才能动手。Aalto 那篇用 GNN 学颗粒-刚体交互、最小化 Wasserstein 距离规划倒料轨迹,Sinkhorn 损失从 3.90·10⁻² 降到 (2.09±0.80)·10⁻⁶,rollout 比高保真模拟器快 20 倍,但四个测试里有一个没匹配上目标形状,且 GNN 不泛化到训练集外的旋转与角速度;ETH 那篇干脆不学材料模型,用最优传输 + next-best sweep 规划器,收集任务 EMD 中位数压到 1.0-2.1(INITIAL 2.9-28.6、MAX-OT 2.7-16.8、DIFF-MAP 3.7-12.1),真机上同一套参数跑砾石、碎砂石、木屑共 9 次;ETH + 利勃海尔那篇把尺度推到 40 吨工地机械,RL 攻点规划器成功率 100% 对启发式 76%、多抓 41% 体积,但执行延迟 0.2 秒时 MPC 直接 FAILED、RL 到 0.3 秒仍能跑完,而且专家装斗率仍高于它。
两篇同期工作串成一条线:机器人操作散粒材料时,物理真值模型和学出来的代理模型该怎么分工。DDBot 走物理真值路线:可微 MLS-MPM + SVK/Drucker-Prager,辨识出土的 E=182683 kPa、沙的 E=121378 kPa,把解空间从 200 维轨迹缩到 5 维技能参数后 20 次梯度更新约 18-20 分钟收敛、好初值时 5 次迭代约 5 分钟,真实挖洞中心误差 0.60/0.59 cm、深度误差 0.25 cm、面积误差 10.8 cm²,零样本迁移到 UR5e;同任务下 SAC 训练 200 回合(19000 次更新)全部卡在局部极小、动作几乎一样。GPWM 走学习路线:用 25463677 帧 ParticleWorlds 训练统一粒子世界模型,六个物理域平均把预测误差降低 31%,统一模型在 Dragging 和 Pick and Place 上连自己的专用模型都打败;规划时改搜模型隐噪声而非动作,Pushing/Picking 任务进度 0.48-0.57 / 0.40-0.56 对动作空间 ≤0.01,但预测 98% 执行后 0% 的落差也说明模型误差被利用的程度 —— 而且全部只在仿真里开环验证。
Liang、Saxena、Kroemer(CMU,RSS 2020)主张探索策略不该为「参数辨识得准」服务,而该为「下游任务做得好」服务。LQR 分析给出闭式目标:探索轨迹的敏感度 ∇Ke θ̂ × 动力学预测误差 × 任务代价 Q —— 任务无关版本里 Q 项整个消失。倒水任务里任务导向策略把「测任务那只杯子的概率」从 0.6 抬到 0.9,真机平均代价从 22 g 降到 14 g;拖箱子任务 48 次试验里任务导向的均值和方差都更小,而任务无关相对随机探索毫无改进;代价是三层嵌套采样让梯度很慢,且必须先有「模型已知、参数未知」的结构。
-
六篇并进,统一潜台词是「你用来判断好坏的那把尺子本身可能是坏的」:Beyond Infraction Scores 测出 CARLA 驾驶分数分不清停下与撞过去(被堵宽度上撞过去平均 52.2 分、停下只有 37.8-40.6;decision accuracy 规则专家 0.74 对最高分学习 agent TFv6 0.60;方法原样搬到 Isaac Sim 后两个微调版本更干净通过却再也不停);Right Ranking, Wrong Scale 测出集成分歧排序对(100 步 Spearman rho = +0.90)但刻度错(one-sigma 覆盖率 4.6% 对校准高斯 68%,成员各自滚动抬到 33%);LoopQ 测出标准 LIBERO 藏起 1.5-4.3 点损失、QVLA 对 AWQ 的优势在统一协议下消失、真低比特省 2-3 倍显存却在 H100 上慢 1.06-1.58 倍;Beyond Accuracy 测出两个解码器验证准确率同为 35.1% 而 held-out regret 差 9.6 倍;EmoReward 让奖励权重从上一轮 rollout 长出来(SAGE-GRPO 上 Good 占比 +7.0 / +2.8 / +12.2 个百分点);Time-to-Goal 换掉那个从没被保证的时序序关系后,平均规划成功率 32.7% 抬到 63.0%。
-
主论文 + 4 篇同期工作串成一条线:显式 3D 世界模型的状态该落在哪一层,物理正确性又该由谁保证。Hybrid Particle-Voxel 用 8 通道体素 latent 管占据、粒子管连续几何,单张 RTX 5090 各 16 小时训完,ALOHA 200 步开环 PSNR 23.24、CD 7.72mm(最好的粒子基线 PGND 17.11、ParticleFormer 13.78)、触觉 L1 0.081,但留出物体 PSNR 14.8 输给 ParticleFormer 的 15.6。Physical Diffusion Policy 把真 MPM 求解器塞进 3DGS 反演材质,真机成功率 62.5% 对 DP3 49.4%(金属弹簧 0.0%/6.7%→60.0%),且在线优化 798.22 秒换成记忆库检索 414.90 毫秒只掉 1.5 个点。AEON 让视频潜空间直接生成带速度与寿命的 4D 高斯(Aesthetic 69.02 对第二名 64.81)。Physical Canvas 把 RGB+触觉拼成画布,task-wise Pearson 0.602→0.885、π0.5 真机 59.1%→70.8%。ORD-WM 解析施加 SE(3),长序列形状漂移压到严格 0、rollout 784 FPS,真机 pushing MPC 成功率 10%→90%。
-
六篇并进,统一潜台词是「两个环节之间那一步没人管」:上一轮把结构显式化,这一轮处理结构之间的缝隙——帧与动作、想象与执行、理由与动作、推理与动作、一步与未来、策略与电机之间,都曾是一个没人量过的数。DreamX 把每帧 1,200 个 token 压成 4 个潜动作(LARYBench 回归 MSE 0.17 对 DiLA 0.38,真机抽屉 SR 96.7% 对 50.0%、推理快 19.1×);WISE 给想象出来的未来打分再执行(RoboLab 6.0%→24.0%,同预算领先最强选择器 4.0 点);TNAS 测出理由与动作在表征空间几乎正交(重叠 1.87%/5.28%,154 个场景里 52.6% 静默碰撞而理由一字不差);RAFT 先训推理再冻住它(真机 OOD 75.0% 对 plain FT 27.9%,冻结比继续训高 9.25 点);BH-CBF 沿备份视野看到所有车停下(115 km / 1,264 辆人驾车零碰撞、行程时间比人类短 14%);ReflexArc 让反射在 10 ms 内直达电机(接触冲量 0.2632→0.1225 N·s)。
-
六篇并进,统一潜台词是「用结构换数据」:上一轮把判据显式化,这一轮处理判据自己失灵时用什么替代。Auriga 用零样本 agent harness 把操作成功率从 22.5% 抬到 59.2%、在 RoboDojo 拿 57.7%(第一);TAMPAgent 让经典 TAMP 规划器接管 LVLM 的几何约束(RBY1 77.2% 对 CaP 57.2%、GaP 61.1%,非抓取任务 75% 对 50%/56%);One Image 用一张照片合成伪监督,在 Unseen100-Val 上拿到唯一低于 100 的 FVD(92.5,其余全在 125 以上),人评外观一致性 93% 对基座 38%;CBF-QP Repair 把 VLA 的 SafeSuccess 从 47.19% 修到 49.69%(Object suite 41.25%→55.00%);STL 监控测出「预测未来」的 AUROC 只比「看当前」高 0.03,而严重噪声下违规率仍有 64.2%±24.4%;Roz 用 1,734 个场景测出世界模型组合泛化跌破 33% 随机基线(Wan 22.0%/16.7%、Motus 15.4%/15.5%)。
-
六篇并进,统一潜台词是「判据要显式化」:上一轮解决「怎么判断做对了没有」,这一轮处理「它能不能做、该不该做、准备好了没有」——把边界从隐式在策略里搬成一层可单独测、可单独审计的判据。ID-WM 把状态空间可达性和局部控制解耦(较 SOTA policy 与 diffusion 规划器 +38.5%,较单层世界模型 MPC +135%);Wizard 用 750 场景 178 角色的骨架几何代理做可实时操控的视频世界;VLA 启动抑制测出空指令下 6 个 checkpoint 全部启动机器人(前缀法 0/6 拦住、闸门法 5/6);ROOF 用几何重叠量当判据(只能抬起的板子下 88.5% vs 18.9%,真机 G1 95/150);chance-constrained 把碰撞风险变成风险预算(同等覆盖度下违规率不到固定余量做法的一半);CGAP 把工具目录确定性编译成 PDDL 让经典规划器判定可执行性(较试错式 tool-calling agent 最高 +28.9 分)。
-
六篇并进,统一潜台词是「外部参照系从哪来」:上一轮说「真实目标由谁定」,这一轮把标准挂到六个会自己出错、但你能看见它出错的地方。GeoFlip 用 482 组成对场景测出图生视频模型的物理正确率最高只有 27.98%(VLM judge 秩相关 0.906/0.929);SimuGuard 抓出物理引擎的距离算法丢弃小面积三角形、把物体以每秒数米弹飞,带 artifact 的 episode 从 12/100 降到 0、五个容器任务成功率 89%→98%,并给出「报成功率 + 区间」的新口径;Audit Where Hacks Pay 用「先审通过最少的整组」把 hacking 压到近零,且只用全审 28% 的标签;TradeWar 发现 PromptLLM 协议同意率 75% 但最终 EHI 只有 57.1,而同意率更低的 TACTIC 是 68.8;AutoAnalysis 用 420 篇论文、1,955 个 effect size 证明人机组合显著好于人单独、但显著差于「人和 AI 里更强的那个」;CausalWAM 证明世界动作模型的动作来自潜变量里的一小部分。
-
六篇并进,统一潜台词是「代理目标和真实目标错位」:上一轮解决「哪些东西该加权」,这一轮处理加权本身可能选错了尺子。GlobeBench 用 1,632 个任务和「执行记录导出参照」重造尺子,发现 20 个模型在依赖对象传播上平均只剩 5.1%、631 个任务无人能解;Latent WAM 把预测目标从全屏像素搬到潜空间(对像素世界模型成功率 +31.9%/+40.6%,推理延迟 -98.9%,OOD 下像素模型反而低于 base agent);WorldCast 用深度反投影点云撑住大角度运镜(ATE 0.065 对 Uni3C 0.098,ArcFace 0.555 对 0.433);VLA-Stem 给冻结的 VLA 套一层只管避障的反射弧(6 个受限仿真设定无碰撞任务成功率 52.8% 对最强安全基线 23.7%,底座零改动);RECREG 把安全写成整条轨迹的正则性质(Exact/ModelBased/ModelFree 三档,DFA 规范当尺子);DynaFlow 让主 agent 自己写协作程序(88.08%,Dynamic 模式 47.1% 的题不用工作流、agent 省 41%)。
-
六篇并进,统一潜台词是「均匀对待是这一批论文共同的敌人」:目标函数、动作载体、视觉监督、安全语义、不确定性、交付流程,六个层面上的同一件事——找出那个不均匀的地方,然后给它加权。OpTTA 让世界模型在部署时朝目标变乐观(规划成功率 +13.5pp,纯预测目标 AdaJEPA 只有 +6.9pp);TAPESTRY 把动作长成视频 latent 的单 patch token(84 ms 一个 action chunk,CoRL 2026);MoGAP 把视觉监督非对称压在会动的区域(GR-1 上 38.8%→47.5%、52.3%→62.3%);OSMA-Bench 揭穿 VLA 认出危险却不减速(即便加了显式安全提示);Active Reachability 把高不确定性直接当不可恢复(29 自由度 Unitree G1,零样本迁移真机);MOTIO 让 agent 写能在物理里跑的程序(33 次首次批准,单轮中位 97.0 分钟、请求到批准 2.80 小时、101.75 秒连续 G1 真机执行)。
-
六篇并进,统一潜台词是「约定坏掉时大多数不会报错」:量的定义、表征的坐标系、控制的载体、聚合的目标、拒答的门槛、数值的格式。NimCritic 把任务进度从稀疏标注变成可预测的稠密量(VPB 上 TSA 超 GVL 约 65%,RoboArena 约 97% recall);RepresentNav 让策略自建表征空间(VLNVerse 83.80%,比前 SOTA 高 20.05pp,梦让碰撞减少 1/4);UniAction 把异质动作压进视频模型原生位置编码(联合模型超过各领域专家);联邦 VLA 安全指出均值会吞掉罕见安全纠正;SEVI 以「证据不足」为独立拦截理由(不安全事件减少 13.4–57.1%);bf16 master copy 揭示 12 个开源 VLA 代码库里 9 个在静默抹掉更新(SmolVLA 4.3%→49.3%)。
-
六个领域的 6 篇论文,改的其实是同一类东西:两个模块之间交换信息的那条通道。DRILL 把世界模型的目标从像素 MSE 换成策略回报(像素误差高 17%、策略反而更好,+13.1pp vs WMPO);Echo 让 stop/failure 成为动作 chunk 的两个维度(OOD 2.00→8.00);Latent Space Jam 零训练用粗布局控视频;SafeDriveVLA 做梦查导航指令冲突(碰撞 60→38);LIMBO 把安全证书蒸馏进策略(2,048 面墙不倾倒);LGWM 让世界模型在表征空间当验证器(0.987 AUC @17ms)。
-
用语言当动作接口,一个 latent world model 同时吃下仿真、机器人和普通视频数据:MPC 规划 59.4 分对 RAEv2 的 48.0,训练成本低 6×,规划快 13.9×。
-
纯潜预测的关系语义「不比随机关系头更好」;逆动力学让 AUROC 提升 .065–.103,规划 top-5 命中率 43% vs 24%。附五条否证结论:标签要 100% 正确、要成千上万。
-
不做安全微调的 VLA 违规率 71.1%,做了安全微调的仍达 52.6%。外挂几何过滤后降到 6.1%,恢复成功率 13% → 80%,VLA 一个权重没动。
-
让世界模型先在度量 3D 里算物理、再让渲染器去画:移动点误差 -27~40%,物体 IoU+ +47%,因果两步生成带来 57× 加速。
-
不在策略层耦合安全与任务,而在价值函数层耦合:JointSAC 在 11 个带对抗扰动的环境上违规近乎为零,同时任务回报最高。
-
2026-10-23 每日速读:ConfigWM、AIM、AW-0、Perceives but Doesn't Brake、Enumeration-Guided Neural HJ Safety Certificates 五线并进。统一动作是「把『模型为什么会失败』先变成一个可测量、可归因、可证明上界的量,再谈修」:任务描述当配置信号 + 数据集 action influence 上界证明 + code 作为第三耦合生成流 + 反事实定位感知-动作绑定缺口(footprint intrusion 58.1% → 14.5%)+ 反例枚举训练神经 HJ 安全证书。
-
2026-10-19 每日速读:MHWA、GenCine、TacitVLA、SearchWorld、WorldGuide 五线并进。把它们的方法骨架摆在一起看「把过去一周在『单一 autoregressive rollout / 2D motion handles / 推理-动作串联延迟 / flat spatial memory / 单层 video → action』上的隐式策略,上提到『strided 高频低层 + 跨时间低频高层 / camera 几何层 + object 块级 layer / reasoning 监督 backbone + action 并行 expert / 显式 BEV memory + task-aware spatial value 层 / Planner + Executor + Hierarchical Visual Memory 三层闭环』的显式分层结构」如何落地。
-
2026-10-18 每日速读:OnlineWM、ATW、AR-WAM、ShieldVLA、SafeRLEval 五线推进。把它们的方法骨架摆在一起看「把过去一周在『静态离线世界模型 / 视频直接问答 / 语言指令驱动的 WAM / 单一 Lagrangian 安全 / 单一平均安全数』上的隐式策略,上提到『主动仿真查询 + 反事实对比 / 世界建模后追问 / bbox + op token 三原语 / HJ-reachability safety critic gating / 分布-分项-分任务三层报告』的显式可替换部件」如何落地。
-
2026-10-17 每日速读:WorldOracle、Gen Through the Lens、TacitVLA、HULK、LVRL 五线并进。把它们的方法骨架摆在一起看「把过去一周在『单一世界模型评测 / 单一坐标系控制 / 推理-动作串联延迟 / 接触丰富无安全约束 / 轨迹级单一 advantage』上的隐式策略,上提到『七模型 × 四维度真机配对评测 / 相机-世界-物体三坐标跨空间融合 / 推理与动作解耦并行 / CBF 显式学习 + MPC 预测双重 safety filter / LLM frozen critic 步级 value-difference 信用分配』的显式可插拔接口」如何落地。
-
2026-10-16 每日速读:AWM、VIS-Ground、NEUPRO、Receding-Horizon Safe RL、DGS-WM 五线同发。把它们的方法骨架摆在一起看「把过去一周在『隐式未来预测 / prompt 黑盒引导 / opaque 安全代价 / 单步 safety filter / 全观察世界建模』上的隐式策略,上提到『溯因式因果三元组 / 上下文约束管线 / 神经符号语义层 / 滚动安全评判 + 可微 CBF / 决策引导选择性监督』的显式中转层」如何落地。
-
2026-10 专题综述:把过去两年机械臂末端操作接触丰富 / 可形变 / 颗粒物 / 流体的 17 篇代表性论文按 6 类方法论分类——几何隐式动力学 / 可微仿真 / 扩散与 Flow matching / 学习 MPC / 颗粒流体专用 / 抛洒分布塑形——并给出对颗粒抛洒工程实践的三层流水线建议。
-
2026-10-15 每日速读:UNITAS、NAVA-WAM、VideoGen-Agent、WBAG、Retrospective World Modeling 五线并进。看「把过去一周在『2D 视觉隐式表征 / 视频→动作间接迁移 / 端到端单次生成 / end-effector-only 安全 / forward-only 想象』上的隐式策略,上提到『3D 原生坐标 / 视频→动作直接监督 / 多工具显式调用 / 全身显式几何 / 双向 backward + forward 想象』的显式锚点」如何落地。
-
2026-10-14 每日速读:Oneira、SearchWorld、SufficientPlan、MERL、Push the Limit 五线并进。把它们的方法骨架摆在一起看「把『开环生成 / 反应式搜索 / likelihood-only VLA / flat-history humanoid / task-agnostic future 世界模型』上的隐式策略,上提到『闭环 persistent state / 规划 spatial value / 反照 trust / 结构化 temporal feedback / 可塑形 planning-shaped future』的显式锚点」如何落地。
-
2026-10-10 每日速读:RoboJEPA、WorldGuide、GenCine、VICS-G、FAITH 五线并进。把它们的方法骨架摆在一起看「把过去一年在『单本体 JEPA / 开环视频生成 / 2D 控制信号 / likelihood-only VLA / 期望代价 RL』上的隐式策略,上提到『多本体 scaling + 闭环执行 + 3D 几何 + feasible-future 重排 + safety value 过滤』这一组更可观察、可干预、可验证的显式锚点」如何落地。
-
2026-10-08 每日速读:DeepJEPA、JEPA-TTT、Self-Compensation VLA、CAG、Structuring MoE Agentic RL 五线并进。把它们的方法骨架摆在一起看「把过去一年在『均匀深度的 forward rollout / 离线训练的 frozen 模型 / 末端开环执行 / 局部似然采样 / 隐式 token 路由』上的隐式策略,上提到一个更可观察、可干预、可验证的显式锚点」如何落地。
-
2026-10-06 每日速读:ProWAM、PointWAM、WBAG、CoFiT、AdaStep 五线同发。把它们的方法骨架摆在一起看「锚点化、几何化、外接化、协同化、稀疏化」五种共同动作的工程含义。
-
2026-10-05 每日综述:XGenAct、RegenHarness、Detect & Suppress、TacDyn-WAM、EVEWorld 五线同发。把它们的方法骨架摆在一起,发现它们共同在做一件事——把监督 / 防御 / 推理从底层上提到一个更结构化的目标空间。
-
北京人形机器人创新中心用统一的 28 维动作表示、URDF 骨架视频、稀疏 MoE 与 4 步蒸馏,让任何机器人都能「先在脑子里演练一遍再动手」。
-
Tencent IEG 的 Proxy2World 用粗糙 3D proxy 当结构锚点,让视频生成同时具备几何服从和外观自由。
-
不是把大模型装进机器人——感知-决策-控制、Sim2Real、数据飞轮。
-
2026 年想搭一个生产可用的 Agent,要选哪些组件?
-
这是 thinkism.ai 的开篇文章。