新闻、仓库与研究，按时间排列。
一项基于 HighwayEnv 测试床、以 gpt-4o-mini 运行的受控评估研究了经验记忆何时能帮助闭环 LLM 驾驶智能体。结果显示：10 个重采样热身池中，检索式记忆仅在 1 个池优于 No-Memory（sign test p=0.011），且任何被测检索设计都未超过 token 匹配的无关填充对照，仅一条 15-token 谨慎指令即达碰撞合并上限。研究表明单池比较会得出被对照反转的记忆增益结论，作者已开源测试床、审计端口、种子与缓存。
World2HOSI 是一个多专家编排框架，可从 3D Gaussian Splatting（3DGS）场景和自然语言指令生成长时程人-物-场景交互（HOSI）数据。它围绕持久化场景状态构建闭环，通过各专家的原生条件接口调用模型并回写动作效果，再用有界残差优化和接触驱动物理仿真保证人体运动与物体操作的物理合理性。实验和感知用户研究显示，其在评测的 HOSI 任务上取得最佳的任务完成度与交互质量，并生成更多样化的数据。
一项 arXiv 研究借鉴儿童点数时的认知动作（逐项指点、移动物品），以无训练的 Agent 循环让 9 个视觉语言模型在 682 张图片、7 种测试条件下执行计数并留下可审计的标记轨迹。结果显示各模型精确计数范围差异巨大（R80 从 3 到 150 个点），指标记数大多不能提升准确率，但可作为串行视觉推理的审计手段：标签扰动探测表明精确指点的模型是照标签读出答案，且模型很少在看自己的标记后修正答案。
一项以带容量约束的 CVRP 为代理的研究，分析了基于注意力的 Pointer Networks 在问题规模变化时解质量退化的三个因素：节点密度变化、注意力分散和均值池化图上下文稀释。熵基注意力缩放将 CVRP20-to-CVRP100 的性能差距缩小 1.41 个百分点，新提出的置换不变图上下文聚合方法在 CVRP100-to-CVRP20 上提升约 0.9 个百分点。结合两者的方法选择器在全部 9 个已见训练-测试对和 9 对中 8 个未见规模对上降低成本，最高提升 3.2%。
NVIDIA 发布 Cosmos3-H-Dreams，把交互式生成模拟带入临床胆囊切除场景，官方称这是首个基于临床手术录像训练、支持实时运动控制的开源外科手术生成模拟器。模型基于 160 亿参数的 Cosmos3-H-Embodied-Nano，使用 CMR Surgical Versius 平台的视频与机器人运动学数据训练，采用 28 维动作、832 x 480 视频和 10 Hz 动作对齐，经 Self-Forcing 蒸馏出四步和两步去噪两个 checkpoint，并通过 FlashDreams 在单张 NVIDIA RTX PRO 6000 GPU 上交互运行。团队发布了代码、模型、数据集和完整的教师微调与蒸馏适配指南，并强调这是研究模拟器，不是经过验证的临床系统。
推荐理由：NVIDIA 官方给出了从教师微调到 Self-Forcing 蒸馏的完整细节和四步、两步两个checkpoint，读者可以自己复现到数据集上。
论文提出 BetaMem，一个通过工作、空间、实体、情节、经验、程序六层记忆构建可追溯长期记忆的具身智能体框架，用监督微调与强化学习结合教师验证来训练记忆操作。以 Qwen3.5-9B 生成记忆，在 M3-Bench-robot 得 48.08%、LoCoMo 得 92.08%、OpenEQA EM-EQA 得 72.6%、EgoLifeQA 得 62.4%；训练使写入契约通过率从 50.9% 升至 86.2%，每条存储动作的输出 token 减少 47.3%。
研究者提出 Value Disaggregation（VaDar），训练单一不依赖子目标的策略来最大化各子目标 critic 值的线性组合，从而在部署时免去子目标选择。实验显示 VaDar 始终与 goal-conditioning 等基线相当且常更优，并能处理非顺序目标和多优化目标。它是首个解决 RoboCasa 中长程任务难题的算法，即使从行为克隆预训练、初始成功率近零的策略出发也能成功。
研究者提出 Tandem，一个在移动 NPU 上运行混合线性注意力 GUI 智能体的运行时，通过在相邻请求分叉处保存循环状态、将 prefill 保持在矩阵单元并支持待机降功耗来加速本地推理。在 Snapdragon 8 Elite 上，Tandem 将文本屏幕描述的每步延迟降低 30%、截图降低 16%，文本每步能耗降低 33%，模型加载状态下的待机功耗从 0.76 W 降至 0.22 W。
研究者提出 Mise-en-Video（MeV），一个高可控的多镜头视频生成框架，允许创作者在 3D 空间中进行场面调度并生成对应的多镜头视频。该框架结合层次化注意力机制实现多级叙事一致性，并通过 3D 感知布局引导实现逐镜头的精确空间控制。团队还构建了包含 160K 视频的数据集，实验显示 MeV 在视频质量、镜头间一致性和主体级可控性上均优于强基线。
研究者推出 AnyGoal，一个由常用世界模型环境构建的目标偏移任务变体基准，并配有开源库，用于研究数据覆盖、动力学泛化与规划性能的关系。在多个环境和世界模型家族上，当前模型在重组熟悉状态与动作因子的组合泛化场景下持续失败，该框架为评估面向新规划任务的泛化能力提供了基础。
研究者提出 Agentic Imagination（Agima）训练框架，让单一 omni 模型先提出动作、生成结果图像，再基于想象未来推理并决定真实执行。用 SFT 统一策略与世界建模后，再用智能体强化学习训练其规划能力；在 Maze2D、Sokoban、Pacman、PushT 四个环境中可泛化到未见过的更难设置，仅用 SFT 在两箱 Sokoban 训练即解出 40% 的四箱谜题（纯动作规划器仅 2%），RL 后还学会按需前瞻并在关键决策点更频繁分支。论文地址 https://arxiv.org/abs/2610.26845v1。
一篇 arXiv 技术报告系统研究物理递归自我改进（RSI）的机制、scaling 行为与泛化，提出 PhysRSI-eval，用首次尝试性能、效率、成功率、预算与失败改进五轴指标，在固定交互预算下评测多个 VLM 于 18 个操作任务。分析引出 Physical Barrel 假设，并从公开能力预测相对表现、从早期物理反馈预测后续进展两个角度做观测性 scaling 分析；工作区干预显示移除历史会降低后期成功率，而冻结工作区在未见布局上仍有效，说明场景特定适应与可复用经验可以共存。
推荐理由：论文用五轴指标量化物理 RSI 并给出观测性 scaling 分析，能帮助读者理解 VLM 智能体自我改进能力的来源边界。
研究者提出多机器人社交导航框架 CoopUQ，通过跨机器人时空特征融合预测未来占用网格地图，并利用预测及其不确定性，以约束多智能体强化学习引导策略，惩罚穿越预测被占用或高不确定性区域的动作。在基于 Unity3D 的多种仿真环境（含 OOD 场景）及真机实验中，该方法在预测性能和安全性上优于代表性基线，代码已开源。
论文提出视觉可归因的同策略自蒸馏强化学习范式，解决特权教师 token 级纠错中“特权纠错污染”问题。其核心组件 Visual-Attribution Gating（VAG）以 verifier 优势为优化锚点，仅保留能被视觉证据对比方向性支持的纠错。在六项视觉推理 benchmark 上，VAG 平均性能超越 GRPO 和 OPSD 方法，创下新的 SOTA 平均成绩。
研究者推出 SpatialScout 基准，评测 VLM 智能体在主动物体级 3D 建图上的能力，基准包含 80 个室内场景和 3,140 个目标物体。最强的 Claude Opus 5.5 平均重叠分数仅 41.71%，47.23% 的目标 IoU 超过 0.5，仅 3.25% 超过 0.9。结果显示模型在从粗略布局到精确度量地图构建上仍有明显差距，代码已开源。
arXiv 论文提出 RefCraft 基准，包含 300 个多模态网页开发任务，将自然语言指令与 1-5 个参考网页截图结合，评测智能体解读视觉参考并迭代优化生成结果的能力。在 9 个前沿（M）LLM 上，最强系统总分仅 52.12/100，表明视觉参考条件下的智能体生成对当前模型仍是重大挑战。评测采用可独立验证的 keypoints 以及程序化与 VLM 裁判。
论文提出 WildAWM，一条用开源模型合成计算机使用智能体（CUA）可执行环境与任务的流水线，环境同时支持 GUI、MCP 服务和命令行三种交互接口。流水线产出 341 个长程环境任务对，部分需超过 100 步求解，GPT-6-Astra 仅解出 60%；仅在这些合成环境中训练的两个不同规模 Qwen 模型，在 8 个覆盖 web、claw 和 computer-use 的域外基准上均取得明显提升，代码已公开。
推荐理由：论文给出用开源模型合成计算机操作环境的完整流水线和质量门方法，训练效果覆盖 8 个域外基准，方法可迁移到环境合成类工作。
针对 LLM 智能体生成的 CAD 装配体往往徒具外观、无法实现物理功能的问题，研究者提出 FunCAD-Harness，将抽象需求转化为针对候选设计的物理测试，并利用仿真反馈迭代修正设计。团队同时发布覆盖 46 个机构族的 FunCADBench 基准。实验显示，该框架能发现视觉检查难以察觉的机械失效，功能成功率显著超过标准仿真增强基线。
论文提出 OpenVLHarness，一个围绕能力层与持久多模态记忆组织的多模态推理框架，统一调用异构工具并把输出转为模型可读证据。在 22 个基准、8 个开源与专有骨干上评测，平均比无工具基线提升 9.7-12.6 分，如 Qwen3-VL-8B +11.2、Kimi K3 +9.7、GPT-6 Astra +9.9；用 GPT-6 Luna 中等推理强度时以最多 37% 的模型 token 成本超过最大推理强度下的基线模型、Codex 和 Visual Sketchpad 7.7-8.5 分。
推荐理由：论文在 22 个基准上用八个骨干实测工具调用加多模态记忆的增益与 token 成本，方法和数字都可对照复核。
论文提出 DialogMem，一个两阶段基准，智能体从时间对齐的 RGB-D 观测与对话流中构建记忆，再用于实例级物体导航和问答。基准覆盖 27 个真实 3D 场景的 142 个 episode，含 14,193 个 QA 对和 11,890 条导航指令；在统一框架下评测九种记忆表示。实验显示，评估时把对话附加到视觉记忆可显著提升 QA 但几乎不改善导航，说明相关对话存在于记忆中却未绑定到具体物体。诊断实验进一步识别出三个瓶颈：记忆形成时的物体级绑定与组织、正确条目的检索，以及空间位置定位。
推荐理由：论文在统一框架下对比九种记忆表示，指出对话融入视觉记忆对导航帮助甚微，并定位了物体级绑定、检索与定位三个瓶颈。
Kröger 为发音动态模型 DYNARTmo 引入声学与气动扩展：手势控制轨迹确定声道几何并转换为带鼻腔分支的声管，集总气动网络将声门运动与肺压映射为气流和声门上压力存储。帧级声学响应通过 overlap-and-add 合成叠加，并以德语词"Tasse""Muse""Lade"演示元音、鼻音、边音、擦音和塞音的协调。实现目前以声音可辨识度为主，独立感知评估尚未完成。
论文 arXiv:2610.23826 提出自建实验室（SBL），给定高层次科学目标即可自主设计、配置并运行实验室设置，补建实验布局、数字孪生、机器人技能和实验流程。系统已在不同机器人和 setups 上演示，从单一工作站扩展到多机器人协作实验室，并通过真实世界量子点合成实验完成端到端验证。
推荐理由：论文提出自建实验室概念，把人类角色从配置自动化设备转为只给科学目标，实验灵活性问题有了新解法。
论文提出 Hindsight Inverse JEPA Planning（HIJP），用目标条件逆模型直接从当前与目标观测预测动作，替代潜世界模型中昂贵的测试时在线搜索。训练时通过未来观测重标注为目标并对齐动作转移一致性来塑造视觉表征，推理时交替使用逆动力学模型与潜预测模型生成多步动作。在四项视觉控制任务上，HIJP 总体成功率达 86.8%，规划速度较基于搜索的方法提升 1.9-16.5x。
研究者提出 MIST 评测，将指令变更与记忆分离，发现视频世界模型失败瓶颈在于未执行指令变更，而非遗忘。据此提出的 M3-Agent 方法递归修订输入指令细节，使模型成功执行请求，MIST reveal 得分较基线提升逾三倍，WRBench 的 T 提升 26.1%，MBench-T 的 U 提升 52.7%。
研究提出 AWAM（Active World-Action Model），一种主动规划观察位置并在执行前沿规划轨迹想象所见画面的虚拟主动感知范式。该模型将任务相关虚拟相机运动作为结构化查询输入几何条件世界模型，生成可复用空间先验，压缩为固定记忆后通过 cross-attention 与实时观测融合，进行基于扩散模型的动作预测。AWAM 在 LIBERO-Occ 上达 75.9%、LIBERO-Plus 上 62.4%、RLBench-OG Occlusion1 上 76.5%、真机实验中 94.4% 成功率。
一项 arXiv 研究提出统一的、架构无关的概率化形式，用条件输出分布与动作实现核来刻画具身基础模型，并连接预训练、后训练与策略部署。作者将该框架在 OpenVLA 和 DreamZero 上实例化，覆盖自回归动作 token 预测与视频-动作联合生成两类范式。
Intern-Decision 发布 0.8B、2B、4B 三款多模态决策模型，从文本和可选图像输出结构化选择与候选概率。4B 版本在七个评测套件上平均准确率 90.02%（对比 Jev v1.13.0 的 88.74%），单张 RTX 4090 上 289-token 请求平均延迟 44.16 ms。温度缩放将 Brier 从 0.628 降至 0.550，基于置信度的路由把 Jevbench-Hard 准确率从 73.87% 提升至 87.39%。
arXiv 论文 OmniVerifier-C1 提出一种分解式分级视觉验证器，可将复杂提示或环境规则自动分解为细粒度组件并给出逐点评分，替代传统 True/False 二元判断。训练采用 Decoupled RL 策略，联合优化子问题级二元判断与全局对齐评分，实验显示其在文生图场景显著优于二元验证器，并在 Maze、Sudoku 等结构化世界建模任务上验证有效。论文还从理论上证明有真值图像时成对验证比逐点验证更准确。
arXiv 论文 OS-Helix 提出端到端训练的多模态计算机使用智能体，把 GUI 操作和代码执行统一到一个动作空间。通过应用与真实文件配对构建可执行 Ubuntu 环境和可验证任务，先 SFT 冷启动再在真实桌面环境做在线 RL，提出 Step-balanced GSPO 按动作步聚合重要性权重；OS-Helix-27B-RL 在 OSWorld-Verified 上成功率达 66.44%，比匹配的 Qwen3.5 混合基线相对提升 42.9%，并在 WindowsAgentArena 上展示跨平台迁移。
推荐理由：论文给出 GUI 与代码执行统一到单一动作空间的训练方法，以及 Step-balanced GSPO 等具体做法和消融证据，可迁移到同类 Agent 研究。
arXiv 论文提出 LEASH，一个免训练框架，让弱模型默认执行任务，仅在其潜在不确定性升高时把控制权交给强模型，并在交接后用 shadow observer 持续监督黑盒强模型。在 OSWorld 上，LEASH 在相同升级率下比随机升级高 6.55-11.94 分；用 Qwen3.5-35B-A3B 达到 73.66% 任务成功率、每任务 $0.4117，与常驻 Claude Opus 5（72.90%）持平，同时推理成本降低 19.2%。不确定性估计复用动作生成时已产生的激活，无需额外前向传播或专门训练监控器。
推荐理由：论文给出弱到强按需升级的具体做法和成本对比，弱模型默认执行、仅在不确定性高时交给强模型，成本账算得清楚。
研究者将四个 Gemini 4 Argon 智能体放入沙盒化的 Minecraft 生存世界，目标是击败末影龙，每个智能体通过开源库 Mineflayer 控制一名玩家，靠游戏内聊天和共享记忆协调，没有人类分配角色或编写游戏逻辑。团队从随机生成的 Easy 难度世界出发，编写了 2,783 个程序，死亡 605 次，用 27 小时 14 分钟击败了末影龙。作者称这是据其所知首次由 AI 智能体仅用标准 Mineflayer 库、无预探种子等人类专用工具完成的端到端自主通关，论文还描述了分工、知识共享、互相恢复物品等策略与结果局限。
推荐理由：论文给出了完整运行数据与协作策略描述，读者可以据此了解多智能体长时程自主任务的实际做法和局限。
研究者提出 DSP（Dexterity from Supervised Play）框架：机器人通过行为克隆从几分钟人类 play 数据中学习 play 策略，再自主部署收集数小时交互数据训练世界模型，并引导 MPC 规划。真实世界实验中，该方法成功率比 hindsight 行为克隆高 69.6%，以少 490 倍的交互数据达到与强化学习相当的成功率，且无需任务特定演示或 sim-to-real 迁移。
研究团队推出 3DCodeVerse，一个让 coding agent 大规模生成可编辑、可验证 3D 内容的研究生态。它包含 200 万规模的可执行 3D 代码数据集 3DCodeVerse-2M，以及基于多智能体有向无环图的 3DCodeVerse Harness，通过执行检查、空间测量和视觉反馈自动评估并修订生成程序。在均由 Claude Opus 5.5 驱动的成对人类评测中，该 harness 对 Claude Design (3D Object) 取得 90% 胜率，微调开源模型也显著提升 3D 编码能力。
GeoState 是一种用于预测式 3D 世界建模的视角解耦几何表示，将场景状态演化与相机相关的观测分离。其场景 tokenizer 将多视图 GFM 特征聚合为视角解耦的场景状态，自回归世界模型预测未来状态，相机运动单独建模，整个 rollout 保持单一尺度、无需逐帧对齐。该方法在 Waymo 上优于已有 3D 世界模型，并可零样本泛化到 KITTI 和 nuScenes。
论文提出 CoDA 框架，让仿真数据引擎与动作策略通过共享异构记忆共同进化，记忆将视觉语言评论家的诊断编译为生成程序与训练程序，并用 Text2potential 为动作块价值学习提供密集监督。在四个操作任务族上，分布外成功率从 SFT 后的 5.3% 提升到 27.6%，比最强闭环基线高 9.5 个百分点；LIBERO-Pro 上 15 轮生成与训练使位置扰动下成功率从 25% 升至 84%，指令扰动下从 1% 升至 76%。
推荐理由：论文提出仿真数据引擎与动作策略共同进化的训练框架，并给出分布外成功率的实测对比，方法思路可迁移到机器人策略训练。
Chenyuan Zhou 等人发布 arXiv 论文 T2-z，通过可学习的环境隐变量在测试时优化机器人世界模型，适应不可观测的摩擦、质量等环境因素。在 7 个仿真设置和 4 个真实机器人任务上，物体预测误差从 15.20 降至 7.00，动作成功率从 33.73% 升至 72.96%，且仅需一条测试时交互轨迹即可推断环境隐变量。
LIBERO-PeRM 是一个面向具身智能体偏好学习的基准，将任务完成与偏好满足分离评估，涵盖动作、技能和用户画像三类偏好，包含 5 个任务套件、312 个任务及成对演示数据。实验显示当前 VLA 策略零样本个性化表现不佳，SFT 可使偏好可学习；混合训练比顺序适应更好保留无偏好性能，但偏好泛化、分解与冲突处理仍然困难。代码、数据集和演示已在项目网站公开。
研究者提出 RenoLayout，将住宅设计建模为设计点引导的条件生成任务，把待改造户型和设计点集合翻译为可执行的 Geometry-as-Code 程序。框架构建了含 123 个细粒度设计点的 Design Map，采用 CPT-SFT-RL 三阶段训练，并发布包含 200 个真实改造前后案例的 RenoLayout Benchmark，作者称其为首个统一住宅设计基准。
X-Fly 是一个面向全块化无人机视觉语言导航（VLN）的分阶段训练框架，解决大视觉语言模型推理贵及块执行中无法停止的问题：模型推理从每 waypoint 195 ms 降至 42 ms。Recovery DAgger 为学习者访问状态标注恢复 chunk 与 STOP，Flow-GRPO 联合优化分块流控制器和 Bernoulli STOP 策略。X-Fly 在 OpenFly test-seen 达 74.18% SR、test-unseen 达 51.73%，远超全块 BC 的 16.45% 和 18.43% 及 DreamFly 的 32.04% 和 29.46%。
研究者提出 ELLSA 2，一个端到端全双工对话模型，联合优化语音交互与流式手势表情生成，在语言沉默时仍可持续生成非语言行为。模型通过上下文语义调用与模板引导实现语义手势生成，并建立对话感知的共语手势数据与评测管线。实验显示其与开源全双工语音交互模型相当，在手势与表情指标上超越级联基线，语义模板引导显著提升语义手势质量。