论文

QwenGyre：训练 xLong 长程智能体的弹性强化学习框架

单次执行数小时、数百次模型与环境交互、生命周期近 100 万 token 的 xLong 长程智能体任务，把在线强化学习推到两个极限：rollout 长尾让 GPU 大量空转，黑盒 harness 的分叉历史又让轨迹严重冗余。QwenGyre 的回答是解耦三种生命周期——harness 执行、GPU 角色、训练样本。弹性调度器以水位 w(t)=d(t)-f(t) 为准绳在 rollout 与训练之间迁移 GPU 角色，RDMA KV-cache 迁移与 Mooncake 权重拉取把角色切换压到平均 8.52 秒与 3.46 秒，且全程不打断在途执行；轨迹处理器用 TITO 记录与轨迹树保住每个输出的原始条件上下文，为超时执行已完成的部分打分，并按 main、main-summary、sub-agent、sub-agent-summary 的角色优先级每执行至多准入 5 条轨迹，共享前缀只训一次。在旗舰 Qwen 3.8 2.4T、每条 rollout 70 万 token 的规模上，48 步把 NL2RepoBench 通过率从 52.5% 提到 58.5%，相对 Colocate 与 Async 分别取得最高 1.85× 与 1.78× 的端到端加速。

强化学习LLM智能体

Weiqi Wang, Yuxin Zhou, Mouxiang Chen · 392次阅读 · 2026年9月27日

RSI-Anything：用世界模型驱动递归自我改进

RSI-Anything 把世界模型接进递归自我改进的闭环：预测决定哪些候选动作值得花掉稀缺的外部反馈，反馈再回头驱动策略学习或工作流改写，并在可靠性检查判定预测器已经漂移时触发有条件的世界模型自适应，最后由组件门与配对门决定哪一版策略-模型对被保留下来指导下一轮。底座是 JEPA-Anything 的正交预测分解。固定 coder 时，200 道 CodeContests 的隐藏测试通过率从静态验证器的 26.3% 升到固定世界模型的 29.2%、自适应后的 31.2%，在线测试用量几乎不变；GUI 评测里平均动作数降 39.4%；实验室规划的五个连续策略版本把 LabHorizon F200 从 21.80% 抬到 46.01%；同样的 40 次实验预算下，Suzuki 流动筛选的最佳观测产率 96.15%，贝叶斯优化 82.16%。

递归自我提升世界模型

Taoyong Cui, Pinxian Zeng, Wanghan Xu · 539次阅读 · 2026年10月9日

IdeaScientist：科研构思智能体编排

自动科研系统大多把提出想法与实现、实验、写作耦合在一起，难以判断成功究竟来自想法还是执行。IdeaScientist 把科研构思剥离为独立任务：给定问题定义与当前方案未满足的挑战，产出有据的研究提案。系统由 orchestrator 协调三个子智能体——gap finder 在同问题先前工作中定位方法论缺口，innovator 到其他领域寻找解决过同类挑战的机制并迁移，report writer 把存活的直觉写成完整提案；每个角色用异步 GRPO 与参考锚定的 rubric 奖励单独训练。为支撑跨域检索与时间可控评测，作者构建 Svalbard Idea Vault：从 470 万篇 arXiv 论文中分解出 277 万条（问题、挑战、缺口、直觉、提案）五元组，并以 2026-01-01 为截止线，用截止后 14,977 篇方法论文中的 277 篇做留出测试。在 Qwen3.6-27B 上，IdeaScientist 总分 74.6%，比最强开源 autoresearch 基线高 14.0%，优势主要来自新颖性；在同一开放骨干上还超过 Claude Code SDK（Claude-4.8-Opus）5.9%、Codex SDK（GPT-5.4）5.1%。

AI ScientistLLM智能体

Jiarui Liu, Renjie Tao, Yiwei Liao · 647次阅读 · 2026年10月2日

从野外视频暴露具身城市导航的长尾

把 500 小时、横跨 30 座城市的网络步行视频自动重建成度量轨迹并标注「感知—分析—规划」推理，训出推理感知的点目标城市导航模型 WILD-Nav；再用分布稀有度与模型难度两条互相独立的轴把长尾从聚合指标里剥离出来，用特权反思把失败归因到具体推理与规划环节，并给出「困难样本微调 + 随机回放」这一尾部收益与整体保持之间的最佳平衡。

城市导航视觉语言动作模型

Bingyi Xia, Han Bao, Zhewei Chen · 323次阅读 · 2026年8月17日

VioLA：用人类数据学通用人形控制策略

VioLA 把人形通才策略的预测目标从关节指令换成身体与手部运动隐码，冻结的控制器负责执行，人类与机器人演示因此共用同一个动作空间；1.406 亿帧训练数据里 93.2% 来自人类，真机 G1 零样本运动成功率 100%、操作 88.6%。

人形机器人视觉语言动作模型

Mert Albaba, Jens Beißwenger, Anna Manasyan · 449次阅读 · 2026年10月8日

PhoneBot：手机驱动的开源人形机器人

PhoneBot 把一部消费级智能手机当作人形机器人的 IMU、相机与机载计算机，配合 13 自由度模块化下肢与扭矩感知强化学习步态，整机约 400 美元、重 1.8 kg，可在四台旧款或廉价安卓手机上完成行走、跟人、站立恢复与移动临场。

人形机器人开源硬件

Ruochen Hou, Quanyou Wang, Daniel Koh · 628次阅读 · 2026年10月6日

MobileVISTA：生成式数据增强让移动操作扛住 15cm 站位偏差

移动操作策略大多照着一个站位采的示范学出来，部署时底座偏几厘米，第一视角画面和末端轨迹就一起偏，成功率断崖式下滑。MobileVISTA 不重采数据，而是把已有示范「搬」到新站位。视觉侧先按 (r,θ)~(√u·15cm, 2πv) 采样盘面偏移与 ±5° 偏航，用天空盒掩码（仿真里 GR-1 标红、Franka 标黄；真机走 URDF 深度阈值 0.995 再膨胀 5px）把机器人抠掉，Open3D 反投影成点云、按相机外参升到世界系平移 Δp，再用重定向动作正运动学算出的新外参重投影，被遮挡的洞交给 E2FGVI 补，最后把机器人渲到新位置合成回去（仿真 512×512，真机 6× 上采样）。动作侧是闭式变换：p'_t=T⁻¹[p_t;1]、R'_t=R_inv_yaw·R(r_t)、夹爪原样透传，双臂绕中点偏航，再用 mink IK（FrameTask 1.0/1.0、PostureTask 1e-5、≤20 步）解回关节。数据量仿真 1:1（200→200）、真机 1:10（50→500）。GR-1 的 Can Sort 在 r=15cm 从微调 π0.5 的 0.320 提到 0.527，Pouring 0.460 对 0.013；双臂 Franka 的 Box 从基线最高的 0.087（DP3）提到 0.247，Drawer 0.413 反而高过仿真 oracle 的 0.393。真机 Book Stacking 随机站位抓到 17/25、放上书堆 13/25，三个基线只有 1-2/25。消融指向关键在「机器人几何随站位变」：只做动作变换几乎无增益（0.00-0.11），固定机器人几何会丢掉 Pouring +0.47、Can Sort +0.28、Box +0.24。补图质量 PSNR 也压过 GEN3C（Can Sort 25.02 对 16.29 dB），单帧耗时 2.39-4.31 分钟（L40S）对 GEN3C 的 13.65-16.85 分钟（H200）。

移动操作Data Augmentation

Wistreich, Suzannah, Tian, Stephen, Huang, Isabella · 332次阅读 · 2026年10月5日

PredActor：预测未来状态的机载人形扩散控制策略

扩散模型能生成多样动作，却很难直接变成人形机器人的闭环控制：生成器—跟踪器分层方案靠参考轨迹操舵，参考可能超出跟踪器能力，物理可行性与抗扰动只能交给另一个控制模块；纯动作扩散直接输出可执行动作，却没有可供测试时引导的未来状态。PredActor 把两条路合成一个直接执行的策略：只用 96 维本体感受历史与可选文本条件，让交错的状态—动作 Transformer 同时去噪 20 步未来状态与动作；未来状态留在策略内部充当可微操舵接口，CFG 放大文本条件动作，CG 把预测状态推向目的地或摇杆速度等测试时目标，下发给 29 个关节的只有动作，既不需要参考跟踪器也不需要特权全身状态。配合滚动去噪与保精度运行时优化（两步 NS-DDIM、堆叠轴全身引导、调度预计算、all-QKV 打包、条件缓存、LibTorch 推理模式），Jetson Orin NX 上完整回调中位 16.790 ms、p95 19.383 ms，593/600 次落在 20 ms 控制周期内。仿真中 45 个目的地到达 44 个，MotionCLIP 文本检索 0.539 对纯动作扩散的 0.424；真机 Unitree G1 六组设置各五次试验，站立到行走、行走到慢跑、站立到下蹲全部成功。

Humanoid Control扩散策略

Ye, Lei, Gao, Haibo, Li, Yitang · 390次阅读 · 2026年9月21日

基于注意力神经地图编码的敏捷泛化足式运动

本文提出一个统一的强化学习框架，用于兼顾敏捷与泛化的足式运动。核心是一个注意力地图编码器（AME-2）：在提取局部地图特征的同时计算全局地形上下文，并用全局上下文调制局部特征，生成可解释、可泛化的策略嵌入。感知侧提出一套轻量神经建图管线，把深度观测转成带不确定性的局部高程估计并与里程计融合，显式建模噪声与遮挡，且能在并行仿真中以同一份代码运行，便于 sim-to-real 迁移。在四足 ANYmal-D 与双足 TRON1 上验证：控制器零样本穿越未见地形，兼具敏捷性与泛化能力。

腿足行走强化学习

Chong Zhang, Victor Klemm, Fan Yang · 517次阅读 · 2026年1月13日

VLAct：表示中心的VLA继续预训练

VLAct 将 VLA 继续预训练重新定义为表示学习：以 Qwen3-VL-4B 为基座，在 DROID、InternA1、RoboCoin、MolmoAct 等全开源多本体机器人数据上继续预训练，用冻结视觉编码器与下半 LLM 的浅层保护加字幕混合保留 VLM 先验，用 OFT、PI、GR00T 三个连续动作头协同监督避免表示坍缩到单一扫码几何，并以 20 维部分统一动作空间（共享夹爪维、掩码非活跃维）与周期关节 wrap-aware 损失对齐跨本体动作语义。预训练组件在微调时全部丢弃、只留骨干。固定下游微调协议下，LIBERO-Plus 达 82.6%、VLA-Arena 54.8%、RoboTwin 2.0 达 92.5%、DOMINO 成功率 18.50，真机单臂与双臂全面超过未预训练基线；RoboCasa-GR1 人形本体仅用 20% 下游数据即超过全数据 GR00T-N1.6。全部结果仅用开源数据与 16 卡训练取得。

视觉语言动作模型Continued Pre-training

Senqiao Yang, Chengyao Wang, Yuxin Chen · 401次阅读 · 2026年8月27日

HuMBLE：把人体步态蒸馏成能听命令的行走策略

HuMBLE 把「像人」与「听命令」拆成两阶段：先用能看到全身参考的特权教师策略在强化学习里学出物理可行的动作，再蒸馏成只看本体感受与一个 SE(2) 速度命令的学生先验；随后用短时程参考模仿环境与长时程目标命令环境各占一半的多任务强化学习微调这个先验，把命令覆盖扩到数据分布之外而不丢风格。最终策略是一个 MLP(1024,1024,1024)，在 Unitree G1 的 Jetson AGX Orin CPU 上单次推理 1.1 ms，在 Atlas R1 上主方向抗推可达 1400 N；数据保真度相对教师只退化 20.83%（线速度）到 130.31%（角速度），而单阶段直接训命令条件策略在侧移上退化 240.87% 并干脆放弃响应命令。训练数据为 528,214 帧（约 3 小时）Vicon 动捕，逐帧标注 SE(2) 命令，并为小型人形提供 0.8 倍空间缩放加时间扭曲的变体。三平台硬件验证：Boston Dynamics Atlas R1、Atlas D1 与 Unitree G1。

Humanoid Locomotion运动模仿

Mike Zhang, Dongho Kang, Kevin Bergamin · 759次阅读 · 2026年10月7日

EgoLAP：通过语言-动作推理从第一视角人类数据中学习

第一视角人类视频规模大、行为多样，但人手与机械臂之间的具身差异使原始人类轨迹难以直接作为机器人控制的监督信号。EgoLAP 的核心主张是：低层动作是具身特定的，但其背后的运动意图可以跨人类与机器人迁移。框架把运动意图写成两种共享的文本目标——用结构化、时间抽象的自然语言动作（language action）概括一秒内位姿与夹爪的变化，用运动级推理（motion-level reasoning）给出接触、几何与物体 affordance 层面的物理依据，二者串成一条人-机共享的语言动作思维链。模型以 PaliGemma-2B 为 VLM 主干，配一个 3 亿参数、从零初始化的动作专家，经流匹配预测连续动作块；文本目标只监督主干（知识隔离），推理期仅 rollout 动作专家、不生成任何文本，因而不牺牲实时控制。在约 1 万小时人-机混合数据（ABC、EgoVerse、OXE 等）上预训练后，EgoLAP 在定制双臂真机上取得 80.1% 的平均任务进度，比 FAST、OAT 等动作表示高 2.3 倍；在零样本双臂仿真上达 38.3%，比直接用同域真机数据训练的 ABC-VLA 高 1.8 倍。运动级推理与语言动作强协同（真机 +35.6 点），而对非语言 token 几乎无益；跨 embodiment 技能检索最多提升 25 点，表明共享文本目标重塑了表征几何。

视觉语言动作模型操作

Lihan Zha, Shresth Grover, Tenny Yin · 614次阅读 · 2026年10月6日

本站含 CakeGrowth 联盟推广链接,我们可能从符合条件的购买中获得佣金。