PAPER DEEP DIVE
英伟达人形机器人基础模型
GR00T N1: NVIDIA 人形机器人基础模型
GR00T N1 是 NVIDIA 发布的人形机器人基础模型，结合视觉-语言理解和动作生成，支持跨平台迁移和人形机器人通用技能学习。
GR00T N1 是 NVIDIA 发布的人形机器人基础模型，结合视觉-语言理解和动作生成，支持跨平台迁移和人形机器人通用技能学习。
[●●●]FETCHING
相关论文
SoL-Pi：高效智能体执行框架的递归自主研究
SoL-Pi 将智能体执行框架改进转化为规模化自主研究，筛选出四项可复用效率机制，在性能接近基线时将令牌流量降低 44.7% 至 49.0%。
Haozhe Liu, Tian Ye, Sensen Gao2026年9月17日
智能体框架递归自我提升Token Efficiency2026年9月17日
Fast-FoundationStereo：实时零样本立体匹配
NVIDIA 用分而治之的加速策略把 FoundationStereo 拆成特征提取、代价滤波、视差精化三段各自提速：知识蒸馏压缩混合骨干、块级神经架构搜索在延迟预算内自动配出代价滤波网络、结构化剪枝精简迭代精化模块，再用 140 万对自动伪标注的真实立体图像补训。模型比 FoundationStereo 快 10 倍以上，零样本精度几乎追平，在 Middlebury/ETH3D/KITTI 上是实时立体匹配的新 SOTA。
Bowen Wen, Shaurya Dewan, Stan Birchfield2025年12月11日
Stereo MatchingDepth Estimation英伟达2025年12月11日
FlashVLA：流式动作解码实现快速异步 VLA 推理
视觉-语言-动作（VLA）模型在机器人操作领域前景广阔，但实际部署受制于高推理延迟与不稳定的异步执行——在基于流匹配（flow-matching）的 VLA 模型中尤为突出：动作解码需要在 VLM 上下文条件下进行多步迭代。高效推理方法能提升控制频率，异步方法能减少执行空等，但现有方案往往无法同时兼顾低延迟推理与精确、时序一致的异步执行。FlashVLA 提出一个统一的流式动作解码框架：维护一个包含多个不同噪声水平动作块的流式缓冲区，并用块级因果注意力（chunk-wise causal attention）解码，每个推理步即可产出一个可执行动作块；块级自回归结构隐式保持动作连续性，无需额外的未来状态条件即可平滑异步执行。大量仿真与真机实验表明，FlashVLA 在保持强任务性能的同时大幅提升推理速度，单 GPU 即可达到 ≥30Hz 控制频率并实现平滑异步真机部署。
Zekai Li, Jiaming Tang, Zhijian Liu2026年8月27日
视觉语言动作模型流匹配英伟达2026年8月27日