跳到正文
9月29日周二
9月24日周四
9月22日周二
8月13日周四
  1. Microsoft Research39

    MindTopo 揭示 VLM 的空间推理能力

    MindTopo 是 Microsoft Research 提出的新 benchmark,用连续性、分离、顺序、包围、打结五类任务评测多模态大语言模型的拓扑空间推理能力。测试显示各模型静态识别明显优于交互规划,且两者都远低于人类水平;规划失误多发生在场景已被理解之后,模型会丢失结构关系或提出违反环境动力学的动作。

7月30日周四
  1. Google DeepMind61

    Google DeepMind 发布 Gemini Robotics ER 2,支持视频理解、任务编排与多机器人协同

    Google DeepMind 发布 Gemini Robotics ER 2,这是它最强的机器人具身推理模型,作为机器人的高层大脑与人对话、理解物理世界并规划多步任务,再把动作执行交给底层 VLA 模型,且能原生调用 Google Search 等工具。

    推荐理由:原文给出了相对 ER 1.6 的评测数字与开放入口,读者可据此判断它在真实机器人工作流中的可用程度。

7月28日周二
  1. Google DeepMind70

    Google DeepMind 发布 Gemini Robotics 2 系列模型,让机器人实现全身智能

    Google DeepMind 发布 Gemini Robotics 2 系列,包含三个模型:Gemini Robotics 2 视觉-语言-动作模型(VLA)可从脚到手指控制完整人形机器人与双臂机器人,Gemini Robotics ER 2 具身推理模型负责理解指令、规划多步任务,Gemini Robotics On-Device 2 则针对本地运行优化。

    推荐理由:三个模型分别对应全身控制、具身推理与端侧适配,读者可据此看清具身智能落地的分层架构。

6月9日周二
4月20日周一
  1. Berkeley AI Research38

    GRASP:长时域世界模型的基于梯度规划

    GRASP 是一种新的基于梯度的规划器,让基于学习动力学的世界模型的长时域规划变得可行。它通过把轨迹提升到虚拟状态实现跨时间并行优化、在状态迭代中加入随机性用于探索、并重塑梯度让动作获得干净信号而避开高维视觉模型中脆弱的 state-input 梯度。该方法针对的痛点是长时域 rollout 中 Jacobian 条件数随时间 T 指数恶化导致的梯度爆炸/消失,以及非贪心结构造成的坏局部极小值。