WeVisOne-VL: 从目标到像素的统一视觉感知
WeVisOne-VL 是一种强大的视觉语言模型，通过结构化下一词预测统一了目标级和像素级感知能力。该模型支持多种视觉任务，包括目标检测、指代定位、计数、OCR、分割和matting，能够在用户指定的任何粒度上进行定位，从点到框再到mask和alpha mattes。
推荐理由：通过结构化下一词预测统一目标级与像素级感知，WeVisOne-VL 在30多个基准测试中领先，为VLMs迈向可靠感知系统提供新路径。
#多模态科技财经热点 · 每日精选
自动盯住上百个信源，用模型摘要、打分、精选，把同一件事的多篇报道归到一起，每天早上出一份日报。聚焦机器人、AI 与财经投资。
今日脉搏
具身智能专栏 →446今日入库
8 条进入精选
44/47 信源在线· 3 异常
近 14 天入库走势
近 7 天分类构成
行业 1298财经 1141硬件本体 881AI 产品 752AI 模型 262其他 359
HuggingFace Daily Papers精选AI 评分6565
arXiv · cs.RO精选AI 评分7575 多模态具身智能体：从计算机使用到机器人使用的统一能力视角
本文提出多模态具身智能体(MMEAs)概念，定义了PAPAV统一框架，包含感知、预测、规划、行动和验证五大功能。研究分析了从计算机使用到机器人使用的转变面临的五大物理约束，并指出当前64个基准测试中仅有5个评估预测能力，3个评估验证能力，存在评测不平衡问题。
推荐理由：从计算机使用到机器人使用的多模态智能体转变面临五大物理约束，当前评测过度关注执行而忽视预测与验证能力。
arXiv · cs.RO精选AI 评分7070 CW-WAM：一种用于力敏感操作的结构化接触力矩世界动作模型
Houzhu Ding 提出了 CW-WAM 模型，该模型联合预测视频、运动和接触力矩，通过统一交互模块和双因果注意力机制，将接触力矩预测与动作控制结合。实验表明，该模型将方形插销插入成功率从 25% 提升至 70%，电源适配器插入成功率从 40% 提升至 95%，并降低了力参考均方误差。
推荐理由：通过统一交互模块和双因果注意力机制，将接触力矩预测与动作控制结合，显著提升了机械臂操作精度和成功率。
arXiv · cs.RO精选AI 评分6565 CLOSER: 基于证据感知的主动视觉验证具身物体目标导航
Pengying Wu提出CLOSER框架，通过视觉语言模型验证与主动感知结合，在物体目标导航任务中提升成功率3.6个百分点，路径长度加权成功率提高2.0个百分点。该框架可在本地运行并集成到现有系统中无需重新训练。
推荐理由：通过主动验证减少具身导航中的误判，CLOSER框架在提升成功率的同时降低了路径长度。
arXiv · cs.RO精选AI 评分7575 PhysCanvas：面向机器人策略评估与学习的视觉触觉世界模型
研究人员提出PhysCanvas，一种统一多模态的视觉触觉世界模型，用于接触密集型机器人操作。该模型整合多视角RGB、触觉图像、标记位移、任务状态和动作，通过一致性感知后训练将世界模型与真实世界成功率的相关性从0.602提升至0.885，并将策略在真实世界中的成功率从59.1%提升至70.8%。
推荐理由：通过统一视觉与触觉模态建模，PhysCanvas将机器人策略评估与学习的成功率相关性提升至88.5%，解决了仿真与真实世界接触动力学不一致的难题。
arXiv · cs.RO精选AI 评分6565 Joints, Camera, Action! 协同生成任意骨骼结构的3D运动与视频
Noam Rotstein提出了一种新模型，能够协同生成任意骨骼结构的3D运动与视频，并自动定位相机位置将运动放置到3D场景中。该模型通过分离运动模型与视频模型，使用交叉注意力层连接，支持从文本生成多样化骨骼动画，并能将视频转换为骨骼运动，实现关键帧控制。研究团队使用生成式视频编辑器创建了近20万训练对，评估显示该方法比视频优先管道更忠实于文本描述，且运动能响应周围场景。
推荐理由：通过分离运动模型与视频模型，实现了任意骨骼结构的3D运动与视频的协同生成，解决了现有方法仅支持人类骨骼或参数量过大的问题。
arXiv · cs.RO精选AI 评分6565 RoboJudge: 多模态大模型作为具身视频生成的评判者
研究团队提出RoboJudge-Bench基准，用于评估多模态大模型作为具身视频生成评判者的能力。该基准涵盖800个人类标注的视频，测量物理遵循和指令对齐两个维度。研究团队还构建了RoboJudge-Train数据集，并基于此训练出RoboJudge-9B模型，在评测中达到与人类判断的最高一致性，皮尔逊相关系数达0.719，比最佳基线模型Gemini-3.7-Flash高出0.089。
推荐理由：首个系统性评测多模态大模型对具身视频生成判断能力的基准，揭示了通用模型与专业模型在物理遵循和指令对齐上的评估差异。
arXiv · cs.RO精选AI 评分7070 多视角潜在动作预训练用于跨具身机器人视频学习
Oliver Hausdörfer提出一种多视角潜在动作模型(LAM)，通过交叉注意力解决深度和遮挡问题，将同步多摄像头视图压缩为潜在动作。实验表明，双视角LAM预训练将真实6D动作解码准确率提高17%，下游策略成功率提升13.5%，单次跨具身学习即可实现技能迁移，硬件实验中成功率提升20%。
推荐理由：多视角潜在动作预训练将6D动作解码准确率提升17%，证明视频与机器人数据互补且任务依赖性强。
arXiv · cs.RO精选AI 评分7070 前沿大语言模型进入机器人领域：在RoboColiseum上的跨模型评估
研究团队在RoboColiseum平台上对GPT-6 Astra、GPT-6.1 Sol、Claude Opus 5.5和Gemini 4 Argon四个模型进行了多维度比较评估，涵盖指令跟随、空间推理、通用操作和鲁棒性四个方面。结果显示所有模型在指令跟随上表现优异，空间推理能力强，但通用操作能力较弱；Astra在指令跟随和鲁棒性上领先，Opus在空间推理、通用操作和整体性能上领先。
推荐理由：大模型在机器人任务上展现出指令理解与空间推理优势，但执行能力仍存明显差距，模型间互补性强。
arXiv · cs.RO精选AI 评分7070 GPT-6 Astra 是一种接触密集操作的原生视觉触觉策略
研究表明 GPT-6 Astra 能够直接解释基于视觉的触觉图像并利用其接触线索进行操作，在19个模拟任务中达到93.8%的平均成功率，超过专业基线22.9个百分点。视觉触觉输入下表现优异，纯视觉性能也领先于基线，轨迹分析显示其具有主动探测、谨慎抓取等能力。
推荐理由：GPT-6 Astra 直接解读视觉触觉图像并用于操作，挑战了专业策略在接触密集任务中的垄断地位。
HuggingFace Daily Papers精选AI 评分6565 ACE-Brain-0.6: 扩展空间感知以强化物理基础模型
研究人员开发了ACE-Brain-0.6模型，通过结合机器人操作记录和多样化视觉数据的数据流水线，在约150万样本上微调Qwen3.5-9B。该模型在七个公共空间定位基准中的四个上超越GPT-6 Astra，平均得分为75.41，比Astra的73.68更高。研究显示，通过多样化来源的可验证定位监督可增强开放9B模型的空间感知能力。
推荐理由：通过150万样本训练的9B模型在空间感知基准上超越GPT-6 Astra，验证了多样化数据对具身智能的强化作用。
HuggingFace Daily Papers精选AI 评分6565 Focused Omni-Modal GUI Agents 论文发布
研究团队提出 FocusGUI，一种轻量级适配器，能动态优先处理多模态输入，解决GUI智能体中的连续注意力分散问题。在四种多模态骨干模型上，平均将类型匹配度提高33.2，精确匹配度提高3.0倍，比现有最佳增强方法提高30.1。
推荐理由：FocusGUI 通过动态优先处理多模态输入，解决了GUI智能体中的连续注意力分散问题，显著提升了任务匹配度。
已经到底了