今日值得研读的
研究信号

空间智能正成为具身智能体、机器人规划和多模态助手的基础。本文研究一种互补且尚未充分探索的路径：冻结的视觉语言模型智能体能否在不依赖外部空间专家工具的情况下，通过无需参数更新的自我演化提升空间推理能力，并提出空间记忆智能体，将经过验证的空间经验转化为可迁移经验、依据后续检索结果校准迁移可靠性分数，并在部署时通过语义过滤和相似度与可靠性联合排序检索记忆。该方法在五个空间基准和四个基础视觉语言模型上进行评估，在每个基础模型组中都取得最高宏平均，并在二十次评测中的多数评测中取得最佳准确率。

预可视化位于创意与制作之间，但现有生成方法通常依赖简单提示词一次性控制场景、动作、镜头和时空变化，难以精确控制和迭代编辑。该方法以可编辑的三维世界作为持久工作状态，通过状态构建、状态演化和状态访问组织场景结构、变化过程与镜头配置，并在需要更高保真度时使用现成的视频模型增强视觉质量；实验表明，它能够生成用于视频创作和类游戏原型的高质量三维世界。

艺术家条件图像生成不能只是在提示词中追加艺术家姓名，因为模型常通过反复出现的主题、通用色彩或被过度代表的时代特征来响应艺术家名称，而不是保留用户想要的场景。研究提出阿特利耶，一种具有捷径感知能力的控制状态规划方法，将不完整的艺术意图转化为显式控制状态，并结合艺术家知识、局部图像块参考、后端感知的生成计划以及全局和局部真实性反馈进行迭代优化；同时构建艺术意图基准，覆盖作品重绘、时期与风格控制生成、历史上未见过的主题、捷径审计和人工偏好评估。结果表明，在开放权重和闭源生成器上，该方法相较提示词工程、检索增强和通用智能体基线，提升了艺术家层面的风格保真度，更好地保持源图像结构，并明显减少了捷径替代。

姿态驱动的人体动画根据单张参考图像和连续驱动姿态生成目标人物视频，但扩散模型通常需要数分钟到数小时，难以支持实时交互。本文提出一种基于一百四十亿参数视频扩散变换器的流式动画系统，通过两阶段训练将双向模型改造成块因果自回归生成器，并将采样压缩至三步；其姿态检索汇聚注意力使用固定汇聚点、动态汇聚点和三槽滚动窗口构成有界键值缓存，在不保存完整序列的情况下恢复相关外观上下文，使内存和每块延迟不随时长增长。结合序列并行与算子融合，系统在两张英伟达高端图形处理器上达到每秒十九点六三帧；三分钟测试显示，从最初三十秒到最后一分钟，感知质量和身份基本保持稳定。

交互式世界模型需要持久记忆、快速响应和长时生成，但将历史保存在去噪器上下文或键值缓存中会使成本不断增长，而少步生成的能力又受教师模型限制。该方法通过外部化持久世界状态、为长时监督重新设计教师模型，并用三步学生模型继承长期一致性和事件控制能力；在单张高端数据中心显卡上，以三百八十四乘六百四十分辨率生成每个一点五秒片段耗时二点一一秒，并声称在世界模型基准上取得领先表现，同时在另外两个视频基准上保持竞争力。

本文介绍一种带固定大小记忆的循环式变换器架构，将滑动窗口注意力推广为可在训练时并行执行的形式。该架构由预填充模型和解码模型组成：预填充模型利用完整历史生成记忆目标，解码模型仅使用滑动窗口注意力和循环键值注入来生成下一步预测所需的记忆；训练时通过记忆一致性损失对齐两者，使推理时可以只运行解码模型。实验表明，该方法在验证损失和下游预训练基准上优于滑动窗口基线及潜在循环变换器基线，而在两个模型间共享参数可以减少参数存储并保留大部分收益。

以往的蒸馏通常通过更新小模型参数来迁移大模型能力。本文研究更强的构建模型能否在测试时生成推理辅助工具，在不更新参数的情况下帮助较弱模型完成任务；在四个心智理论基准上，目标模型平均性能从零点四九提升到零点九一，增益主要来自确定性代码、基准特定路由和严格的答案格式约束。研究还发现，构建模型的推理投入越多，工具质量越高，较弱的目标模型获得的收益最大。

智能体技能以标准化格式封装程序性知识和领域专长，可在智能体框架中持续约束语言模型的行为，但为小模型自动生成有效且适配执行器的技能仍然困难。本文提出技能者，一种自然语言驱动的强化学习框架，以强模型担任行动者和评论者，将小模型智能体系统作为环境，并完全通过自然语言传递强化学习信号；在五个相关基准上使用九十亿参数和四十亿参数模型的实验显示，该方法优于三种开源方法和一种闭源方法，在单技能任务上达到与强闭源模型相当的表现。

大语言模型代理越来越依赖在推理时加载的可复用技能包，但技能库扩大后，如何在有限上下文预算下提供最小且足够的可执行上下文成为主要难题。本文提出技能压缩方法，在章节级执行图上压缩保留契约的程序结构，将重复且满足契约的模式改写为可逆宏，同时保持边界签名、依赖闭包、验证器可达性和源级展开能力；实验显示，该方法相较最强基线最高提升十二点二分，压缩比达到三点四六，依赖保持率为百分之九十九点二，验证器可达率为百分之九十八点七，并能在二百到十万项技能的库中保持稳定检索。

科学发现需要能够处理异构科学证据、调用科学工具与环境，并在长时任务中持续推进的人工智能系统。作者介绍了科学智能体基础模型系列，通过科学多模态预训练，以及结合监督微调、多任务强化学习、黑盒与白盒智能体强化学习、在线策略蒸馏的统一后训练流程来实现这一目标；该流程还采用部分轨迹采样与离策略校正、自适应长度正则化、在线推测解码、多任务优化和轨迹感知经验组装等技术，以提升采样与训练的稳定性和效率。

自回归变换器沿生成词元和模型深度两个方向计算，但每次解码只有采样词元返回堆栈底部，顶层隐状态被丢弃，导致解码步骤之间的垂直反馈通道狭窄。论文引入全带宽变换器，在每一步将上一时刻的顶层隐状态与采样词元嵌入通过门控线性单元融合后反馈为下一步输入，并用分阶段多遍训练目标保持教师强制并行；在训练十亿参数模型和四千亿词元后，作者报告其改善验证损失、少样本语言模型评测、数学与代码生成及指令微调表现，同时以近乎不变的每词元解码开销达到或接近多训练约百分之五十词元的标准变换器效果。

没有任何单一大语言模型能在所有查询和预算约束下都达到最优，因此模型路由对降低部署成本十分重要。论文将路由统一表述为由上下文编码器、模型编码器、评分函数、决策规则和学习信号组成的序贯决策过程，覆盖单轮、多轮和个性化路由；同时构建自动化监督生成与联合评测流程、涵盖多类任务的路由基准，以及包含十六种以上代表性路由器的开源模块化基础设施。实验证明，学习型路由器相对最强固定模型基线的性能提升为百分之十四点六，轻量路由器在严格成本约束下更具竞争力，基于用户条件的路由能持续改善个性化效果。

测试时计算扩展是大型推理模型性能提升的主要驱动力，但现有方法效率极低，因此关键问题从投入多少计算转向如何分配计算。论文将测试时推理形式化为部分轨迹上的受限计算分配问题，并提出甘比特推理算法，以思维级束搜索定期剪除无希望的轨迹、从高质量前缀立即分支，并通过探测隐藏状态的轻量级评分器集中计算资源。多模型和多基准评测显示，在相同硬件约束下，该方法相较剪枝基线在数学竞赛基准二十四上最高提升百分之六点七的绝对准确率，在美国数学邀请赛二十五上提升百分之三点三，轨迹完成吞吐量超过两倍，并相较标准并行采样最多减少百分之六十八点五的令牌消耗。

视觉令牌剪枝能够显著降低多模态大语言模型的推理成本，但现有方法主要依赖固定的手工启发式规则和昂贵的专家试错。本文提出一种无需训练的自动剪枝框架，通过包含一百三十一个可复用操作单元的令牌剪枝领域专用语言，并以强基策略的残差修改表示搜索状态，引导大语言模型设计视觉令牌剪枝策略；在十四个多模态基准和三个模型骨干上的实验表明，即使移除百分之九十四点四的视觉令牌，也能保留超过百分之九十九的完整令牌性能，同时将计算量降低九点九倍、预填充时延降低六点四倍。

本文介绍多模态商业构想基准，包含六个领域的三万条样本，每个领域都包含仅靠文字难以传达的视觉线索。作者通过低秩适配监督微调和组相对策略优化训练盲测与已知标准代理，并使用创造性、可行性及业务评价标准作为奖励；实验显示，两类代理都明显优于文字描述和多模态基线。

“用图像思考”让多模态大模型能够主动裁剪和缩放图像，但这些操作相较直接推理通常只带来很小甚至负面的收益，并增加令牌成本。作者将视觉工具调用形式化为因果图，并通过策略、轨迹和单步干预审计观察证据的作用；在六个模型和五个细粒度感知基准上，他们发现部分模型虽然总体准确率提升，却在广泛轨迹中没有因果有效地使用视觉证据，具体表现为调用却未查看，以及查看却未规划。

智能体能力不仅取决于模型权重，也取决于提示词、工具、技能和控制流组成的外壳；该工作将外壳自我进化建模为种群选择，并冻结模型权重，通过保留扩展契约、替代谱系档案以及统一的证据驱动编辑接口来避免回退。四个基准上的结果显示，一轮进化平均增加约十七个百分点，包括终端任务、网页真实任务和软件工程任务的提升，且一个终端任务外壳可原样迁移到经过验证的软件工程基准。

世界模型的架构、训练目标与状态表示相互影响，尚无适用于各种环境的统一方案，因此论文构建了一个面向自主研究编码智能体的闭环基准。该基准覆盖八个游戏环境，使用统一的结构化真实实体状态表示，让智能体在固定算力预算内改进给定世界模型；在六十四次会话中，科迪克斯五点四和克劳德奥普斯四点六有六十三次取得改进，百分之九十一的获胜修改是新的目标函数、状态表示、展开流程或架构变化，而非超参数调整。

该工作提出一种面向大语言模型智能体的长期记忆方法，以语义片段级整合替代逐轮整合：系统将多轮交互组成片段，并把每个完成的片段编码为上下文无关的类型化记忆记录，再通过结构化索引进行查询规划和证据检索。实验显示，该方法在两个长期记忆基准上取得百分之八十九点二二和百分之九十二点二零的成绩，相比一种现有方法分别减少百分之八十六点零和百分之七十五点九的记忆构建词元，同时不增加查询阶段的词元使用量。

空间智能对于具身智能体、机器人规划和多模态助手日益重要，但现有方法主要依赖监督微调、强化学习或推理时调用深度估计和三维重建等外部空间工具。本文提出空间记忆智能体，通过验证器引导反思将空间经验转化为可迁移记忆，并依据后续检索结果校准迁移可靠性分数，在冻结视觉语言模型、不更新参数且推理时不调用外部专家工具的条件下引导推理；在五个空间基准和四个基础模型上的实验显示，该方法在所有基础模型分组中取得最高宏平均，并在多数评测中达到最高准确率。

文章指出，数字智能体主要改变软件状态、具身智能体主要改变物理状态，而两者都没有把人的状态变化与自主权作为建模、干预和评估的核心。文章提出以多模态事件感知、纵向可纠正记忆、个人世界模型和遵守同意与安全约束的干预策略构成闭环，并进一步讨论评估指标、基准、边缘个人模型和治理要求。

姿态驱动的人体动画根据单张人物参考图和连续姿态流生成目标人物视频，但扩散式方法通常需要数分钟到数小时，难以支持实时交互。LiveAnimate基于一百四十亿参数的视频扩散变换器，通过两阶段训练将双向模型改造成分块因果自回归生成器，并将采样压缩至三步；同时引入姿态检索汇聚注意力，以有界键值缓存恢复重复姿态对应的外观上下文。在两张英伟达高端显卡上，系统达到每秒十九点六三帧的流式推理速度，并在三分钟基准测试中保持从开头三十秒到最后一分钟近乎稳定的感知质量和身份一致性。

艺术家导向的图像生成不能只是在提示词中添加艺术家姓名，因为模型常通过重复母题、通用配色或被过度代表的时期特征等典型捷径响应艺术家名称，而不是保留用户想要的场景。本文提出阿特利耶，一种具有捷径意识的控制状态规划框架，并构建艺术意图基准；实验表明，与提示词工程、检索增强和通用智能体基线相比，该方法提高了艺术家层面的风格一致性，更好地保留源结构，并显著减少捷径替代。

将多模态来源转化为精炼且结构化的媒体输出，可以被视为一种以模型支架系统为核心的长程智能体过程。论文提出自动设计框架，由元级支架优化器依据执行反馈引导代码代理递归改进支架，并以论文生成海报任务实例化该框架；其构建的海报基准包含覆盖五个学科的100篇论文主测试集和用于受控评估的10篇论文子集。主测试集上，自动设计取得78.32分，比闭源商业系统高7.45分；在七种受控代码代理模型配置中，加入学得的设计支架后平均得分由54.99升至67.39，并在40分钟内通过253次工具调用和11轮编辑完成自主长程运行，人工评测达到平均会议海报质量。

大语言模型智能体的能力不仅取决于模型权重，也取决于提示、工具、技能和控制流组成的运行框架。本文提出达尔文式智能体演化方法，在冻结模型的条件下对运行框架群体进行选择：通过保留并扩展契约接纳不退化且覆盖更多任务的变体，用档案保存可重组的不同谱系，并以各基准自身的验证器计算适应度而无需标准答案或人工挑选优胜者。在四个逐步区分演化信号与测试集的基准上，该方法平均提升约17个百分点，并报告了跨任务、验证器和基础模型的迁移结果。

本文系统研究交错层混合线性注意力大语言模型中的大激活，发现两种与架构对齐的形态：它们会在完整注意力层之前形成尖峰，也能穿过中间的线性注意力层持续存在并形成平台。该现象在多种线性注意力架构、混合配置、数据域和不同规模模型中反复出现；受控预训练、门控实验与系统性离群分析表明，这些形态很早出现，并可由大激活取消时机不同的生命周期过程解释。

幂律解码器表示大语言模型及其幂律图注意力，用由输入生成的学习双线性算子替代标度点积注意力中的固定双线性形式；该算子由正张量通过逐元素幂律构造，并在算子取单位阵时精确包含标度点积注意力。论文给出关于正性、佩龙—弗罗贝尼乌斯结构、非循环性障碍、相对位置依赖保持条件以及推理坍缩的定理或条件定理，并报告推理输出相对波动达到百万分之一及以下；若干机制在已发布检查点上得到测量，但扰动界不能证明缓存推理有效，组装后的代理模型也未覆盖解码间隔，其他开放结论被表述为可证伪猜想。

测试时计算扩展是大型推理模型提升性能的主要驱动力，但现有方法效率极低，因此关键问题已从投入多少计算转向如何分配计算。本文将测试时推理形式化为部分轨迹上的受限计算分配问题，并提出甘比特，一种按思维级别执行束搜索的推理算法：它周期性剪除无希望的轨迹，立即从高质量前缀分支，并利用探测隐藏状态的轻量评分器，把计算动态集中到最有希望的推理轨迹上，同时保持硬件持续高利用率；在多个模型和基准上的评测显示，该方法在相同硬件约束下相较剪枝基线可在二零二四年汉密尔顿数学基准上提升最高百分之六点七、在二零二五年美国邀请数学考试上提升百分之三点三，轨迹完成吞吐量提高两倍以上，并相较标准并行采样最多减少百分之六十八点五的令牌消耗。

空间智能正成为具身智能体、机器人规划和多模态助手的基础能力。本文研究一种互补且尚未充分探索的路线：冻结的视觉语言模型智能体能否在不依赖推理时外部空间专家工具的情况下，通过无需参数更新的自我进化提升空间推理能力。作者提出空间记忆智能体这一运行时框架，在可验证空间环境中获取模型预测与奖励，通过验证器引导的反思将空间经验提炼为可迁移教训，并为每条教训维护由后续检索结果校准的迁移可靠性分数；部署时依据语义过滤以及相似度和可靠性分数的联合排序检索记忆，以指导冻结模型推理。在五个空间基准和四个基础视觉语言模型上，该方法在每个基础模型组都取得最高宏平均，并在二十次评测中的大多数评测里取得最佳准确率。

随着持久化个人代理框架发展，面向人的代理网络正在成为现实部署场景：每个用户由能够代表其行动、维护状态并与其他代理通信的代理服务。在这类网络中，工具使用变成多个由不同用户拥有的代理围绕个人工作空间进行协作，但各方无法直接查看彼此的文件、记录、工具和策略；现有基准缺少能够验证跨用户协作、包含真实用户数字工作空间并检验有害行为如何传播的端到端环境。本文介绍了一个可审计的基准与运行时沙盒，用于个人工作空间上的多方代理协作，覆盖六类跨用户任务，共有一百二十四个基础任务和六百二十个场景变体；每个基础任务包含一个良性控制和四个攻击变体。沙盒记录代理间消息、工具调用、资源操作、治理决策和最终工作空间状态，并分别报告任务效用与攻击成功率，从有界运行时证据出发审计攻击结果，以诊断任务失败、隐私泄露、证据投毒和无效授权路径。

大规模操作数据对机器人学习至关重要，但机器人示范数据昂贵且难以扩展；丰富的人类第一视角操作视频提供了行为经验，却因人手与机器人末端执行器的差异而难以跨具身迁移。本文提出人到机器人操作视频生成基准，用于评估模型在给定具身约束下将人类示范转换为机器人操作视频的能力，并从目标状态完成、动作事件完成、功能接触迁移、具身正确性和整体视频质量五个维度进行评测。作者在六类操作任务和两种机器人具身上评估了十一种视频生成模型，发现即使领先模型也常在具身一致性、功能交互和任务执行方面失败。

集成外部工具的大语言模型代理容易受到嵌入环境状态中的间接提示注入攻击，但现有研究受限于手工实现或复用环境、随机的大语言模型工具模拟以及预先指定的注入位置。工具危害通过环境模拟器、攻击者代理和用户模拟器合成可执行的有状态环境，发现可行注入点并生成适配环境的攻击载荷，同时构造基于环境状态的长流程任务；由此建立工具危害基准，用于在复杂工作流和多样环境攻击下压力测试代理，实验发现代理存在明显脆弱性，且生成的对齐数据可在工具危害基准和代理道场上提升安全性并保持正常任务效用。

技能以标准化格式封装程序性知识和领域经验，但为小型模型自动生成有效且适配执行器的技能仍然困难。SKILLER使用强模型作为演员和评论家，将小型模型智能体系统作为环境，并通过自然语言传递全部强化学习信号；在五个基准上的实验显示，使用九十亿和四十亿参数模型时，该方法相比四种技能生成或演化方法分别取得四点三至二十点四个百分点和一点八至十三点三个百分点的绝对提升，并在技能基准的单技能任务上达到强闭源模型的表现。

从自然场景图像中估计人的视线目标十分重要，但现有方法通常依赖头部框和人体姿态等显式输入的脆弱多阶段流程，检测错误会逐级传播，也无法通过自然语言灵活指定分析对象。本文提出可提示视线目标估计任务、包含十二万组高质量提示标注图像对的数据集与基准，并提出任意位置视线模型：该模型利用基于变换器的检测器融合冻结编码器特征，同时完成对象定位、目标是否出框判断和视线目标热图估计；在多个基准及困难的真实临床域外数据集上取得领先结果。

在由大语言模型驱动的进化算法中，大语言模型通常同时更新控制流等结构组件和连续参数，但它在连续参数上的离散试错既低效又浪费令牌。本文将其形式化为混合嵌套搜索：外层由大语言模型提出带数值空位的结构草图，内层由数值优化器调节这些参数；两层求解器均可插拔，可将任意文本优化器与协方差矩阵自适应进化策略、基于梯度的程序或马尔可夫链蒙特卡罗采样器组合。实验覆盖闭式测试函数上的元优化、系统研究与社会困境中的代码策略，以及近似贝叶斯推断任务，结果显示该混合优化器在三类任务上都优于大语言模型驱动搜索和纯数值优化基线。

论文研究有限练习预算下顺序任务中的机器人技能自主学习，并提出审慎练习算法，为能在预算内学会且可最大化预期累计回报的技能分配练习资源。该方法估计技能掌握时间和其解锁任务计划的累计回报，通过双线性规划精确计算预算最优分配；模拟与真实机器人实验显示，它能改进有限练习时间的使用和长时程规划。

艺术家条件图像生成不能只是在提示中添加艺术家姓名，因为模型可能依赖反复出现的母题、通用配色或过度代表的时代特征，而忽略用户想要的场景。本文提出 Atelier，通过显式控制状态、艺术家级知识、局部参考和全局及局部反馈来规划生成，并构建覆盖梵高与齐白石多种任务的 ArtIntentBench；作者称该方法提高了风格与结构保真度，同时减少了风格捷径替代。

灵巧操作需要操作者在整个任务过程中协调机械臂运动与精确、接触丰富的手指行为，因此完整一致的示范数据很难获得。嵌套策略学习系统让操作者控制机械臂，并通过单自由度离合器调节由视觉语言选择器激活的手部技能；这些示范随后训练一个部署时不依赖内层策略、同时控制机械臂和手部的外层视觉运动策略。真实世界实验表明，该方法提高了示范采集的可靠性与效率，并能支持自主策略学习。

论文介绍了梦想平台一代，这是一种面向机器人操作的动作条件视频世界模型，可根据观测帧、语言指令以及包含末端执行器位姿和夹爪状态的动作序列预测未来观测。该方法通过按机械臂注入三维刚体变换、加入深度分支和物体掩码约束几何与物体一致性，并将多步生成器蒸馏为少步学生模型以便部署；作者报告其在世界竞技场第二版挑战赛的两个赛道分别获得第一名和第二名。

该报告介绍了交互式长时域世界建模系统阿拉亚世界的改进版本，保持骨干网络、分块自回归生成方式和训练数据不变，重点重构条件信号的表示与融合。新版本以条件信号在潜表示和时间结构上贴近生成内容为原则，引入流式三维点缓存渲染、同一因果变分自编码器潜空间中的视觉条件，以及六项记忆和训练推理协议调整。

许多临床预测模型把术后结局视为从基线测量到未来终点的一步映射，但真实恢复过程包含异步记录的临床观测、用药变化、重复干预和生理测量，这些事件会持续改变风险评估。本文构建了一个干预感知的临床世界模型，将患者表示为结构化潜在状态，并按时间顺序更新术后事件；模型应用于房颤消融术后复发预测，在九十天恢复期内利用不规则记录预测长期复发风险，同时无需在推理时使用随访磁共振强度。

论文从因果视角研究世界模型，覆盖从感知观测、概念表示到描述环境动态结构的多个抽象层次。作者认为有用的世界模型不能只具备生成能力，还应捕捉并解释实体属性、实体间交互以及实体与环境的交互，并据此给出因果世界模型的形式定义，联系因果表示学习、物体中心学习、因果发现、结构因果模型和基于模型的决策，同时用可辨识性理论说明这些模型成分何时以及在多大等价范围内能够从数据恢复。

论文提出一个无需安装、基于浏览器的数字测试场，将选定海域转换为可复现的四维实验，覆盖任务配置、路线规划、洋流推进执行、观测生成和评分，并通过统一的计划到观测契约兼容手工路线、内置算法及外部经典或学习型规划器。受控观测系统模拟实验显示，五十四次任务均完成回收且没有硬约束违规，同时揭示了规划器排序和下潜策略中的运行与科学目标权衡；真实部署审计限定了当前运动学边界，源码锁定的滑翔机飞行模拟器还通过浏览器内运行实现了与原生版本的一致性。

临床智能需要从不完整观测中估计患者的潜在状况，因此论文将计算机断层扫描影像和临床语言视为共享患者状态的互补观测，并据此统一读出、重建与模拟任务。论文提出覆盖三类任务的计算机断层扫描基准，以及一个三十亿参数的多模态世界模型；该模型以共享变换器估计隐状态，生成状态查询答案、语言报告和条件性影像，并声称在三类任务上取得良好表现，同时通过临床结构化补全改善影像理解。

论文研究有限练习预算下序列任务的自主技能学习，提出一种主动技能学习算法，根据技能的掌握时间和可解锁任务计划的累积回报分配练习资源。该算法将原本涉及大量技能计划和长预算的组合优化转化为可由现成求解器精确计算的双线性规划，并在模拟和真实长时程操作任务中验证了其效果。

长时域手术机器人操作面临稀疏任务奖励和不规则交互变化，现有世界模型通常按原子步长进行想象，因而把可变时长的任务进展隐含在模型中。该方法从原子步长潜在轨迹学习稀疏事件证据，以协调事件级管理器和原子步长执行器，并通过事件转移模型预测下一事件边界的随机状态、片段持续时间和累计奖励，从而支持超出原子想象范围的可变时长规划；在基于模拟手术机器人环境的佩转任务上取得百分之九十八点七成功率。

接触丰富的操作失败通常要到机器人已经承诺接触后才被发现，腕部相机尤其容易因接近路径不佳而在检测器反应前推动、错过、滑动或扰动物体。该方法针对分块视觉运动策略建立接触前执行监控器：利用无标签机器人轨迹训练动作条件潜在世界模型预测多视角视觉嵌入，再用少量带标签的接触前片段训练失败探针，在即将接触时沿计划动作预测未来潜在状态，并在预示失败时中止；真实任务结果显示其预测优于直接预测和动作受扰动的消融方法，且无需修改底层策略即可用于在线机器人控制。

自动驾驶视觉语言动作模型能够进行端到端推理，但其计算成本过高，难以满足实时控制；论文将瓶颈归纳为视频帧视觉编码中的重复计算、语言模型预填充中的上下文重算、低熵推理令牌的串行生成，以及流匹配去噪中的均匀计算分配。该方法通过跨帧缓存、非自回归扩散草稿推测解码、自适应步缓存、图编译和内核融合协同降低开销，在十亿级参数驾驶模型上将延迟从七百一十七毫秒降至一百五十一毫秒，同时保持近似不变的精度并改善仿真闭环安全指标。

该方法针对组内相对策略优化在所有候选轨迹都失败时学习信号不足的问题，把低回报、低多样性的失败组转化为下一轮策略的特权监督：冻结轮次开始时的同规模模型作为教师，观察隐藏的未来轨迹，并沿学生生成前缀对答案词元进行自蒸馏，同时对所有轨迹组继续进行组相对策略优化。基于相同的视觉语言模型微调检查点，在六千零一十九个样本和一百五十个保留场景上，该方法将四条候选轨迹的平均位移误差从1.848米降至1.500米，并将持续失败比例从百分之十三点零三降至百分之十一点二零，改进主要来自减少少数严重失败轨迹。

自动驾驶规划需要同时利用语义约束和未来动力学预测，但视觉语言动作模型与世界动作模型通常分别侧重这两方面，直接通过词元级联合注意力融合会因语义捷径占据注意力而压制动力学预测。BrainWAM将二者转化为两条专门的动作通路，在紧凑动作表示层进行协调，并采用视频与动作解耦的异步整流流推理以缩短延迟；该方法在两个导航基准上分别取得八十九点五和八十九点六的分数，超过单独使用任一类模型的方法。

本文研究一种无需更新参数、也不依赖部署时外部空间专家工具的冻结视觉语言模型自我演化路径，并提出空间记忆智能体。该方法把经过验证的空间经验提炼为带迁移可靠性分数的可复用经验，在部署时通过联合检索记忆指导推理；在五个空间基准和四个基础模型上，它在各基础模型组中取得最高宏平均，并在二十次评测的大多数任务中达到最佳准确率。

视觉瓶颈通过把策略输入集中到相关区域，将“看哪里”和“如何行动”分开，有助于提高视觉运动学习的数据效率，但现有方法通常依赖空间标注或固定的动作派生裁剪。本文提出“搜寻器”，从冻结的视觉特征中迭代整合视觉证据，仅凭动作监督生成随任务和状态变化的区域，并将其用于图像裁剪、背景增强和点云过滤；仿真及真实机器人实验表明，该方法在域内以及光照和背景变化下都优于多种基线。

人形机器人动作跟踪是远程操控和全身模仿的基础，但现有逐帧姿态误差与人们对视频的感知常不一致，尤其会漏掉支撑不稳、足底滑动和落脚时机错误。该工作发布包含约一百五十三小时多名专业表演者光学动作轨迹的基准，覆盖四类动作并提供文本标签；同时利用包含两万四千段动作的一万二千对动作训练偏好对齐指标。实验表明，该指标比运动学指标更能预测人类偏好，并能发现接触和稳定性失败。