论文发现
追踪具身智能、VLA、世界模型等核心方向的最新高分论文。点击“复制研读指令”可直接发给 Agent 开启多轮拆解对话。
全部 (4)
VLA / Robot Learning World Models for Control
Mustafa Shukor, Dana Aubakirova, Francesco Capuano, Pepijn Kooijmans, Steven Palma, Adil Zouitine, Michel Aractingi, Caroline Pascal, Martino Russi, Andres Marafioti, et al.
Hugging Face, Sorbonne University, Valeo.ai, ENS Paris-Saclay
核心看点： 在小型 VLM 基础上构建轻量紧凑 VLA，以约大模型 1/10 的参数量达到相当表现，且全面原生集成 LeRobot 开源机器人训练与真机数据流。
为什么值得关注： 直接命中可负担、低成本机器人部署主线，开源生态完整，非常适合作为高校/实验室轻量真机基线研究。
Junchao Huang, Guian Fang, Shengju Qian, Xianghao Kong, Zhuoran Zhao, Yihua Du, Zixin Zhang, Justin Cui, Yuchao Gu, Yukang Chen, Xinting Hu, Zhuotao Tian, Mike Zheng Shou, Li Jiang
HKUST-GZ, CUHK-SZ, HKUST, NVIDIA
核心看点： 针对跨源异构视频数据构建全开源的视频世界模型训练流程，开放 10 个源数据集的 143 万个 canonical clips 及其质量标注与长时程推理评估。
为什么值得关注： 世界模型的核心瓶颈往往在数据清洗与长时程一致性，该工作开放的完整数据流水线极具参考价值。
Danze Chen, et al.
The Hong Kong Polytechnic University, Tencent, National University of Singapore
核心看点： 在 33B 视频生成器基础上进行 0.2% 参数的高效 LoRA 优化，将其转变为可用语言实时控制角色与视角的交互式世界模型。
为什么值得关注： 展示了从通用视频生成基座向交互式动态环境控制转化的可能，为具身智能世界模型交互探索提供了参考。
Hengyi Xie, Chenfei Yao, Xianjin Wu, Xuanyang Xi, Yiping Tang, Di Xu, Yingying Zhu, Dingkang Liang, Xiang Bai, Han Ding
Huazhong University of Science and Technology, Huawei Technologies
核心看点： 跳过重型生成式 LLM，改用 DINOv3 + BERT 紧凑双向视觉-语言交互直接对接 ACT 解码器，在单张 4090 上实现 32 Hz 实时控制与 <1 GB 极小显存占用。
为什么值得关注： 已完成深度对话研读！颠覆了传统 V-L-A 中心化依赖大语言模型的固有思路，对真机端侧高频闭环执行具有重大启发。