Dagger
PulseAugur coverage of Dagger — every cluster mentioning Dagger across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
北大团队开发HIL-UMI，无需实体机器人即可进行机器人训练后部署
来自北京大学和启元机器人的研究人员开发了HIL-UMI，这是一种新颖的、无需依赖实体机器人即可对具身AI模型进行训练后部署的方法。该方法解决了传统机器人训练的高成本和后勤挑战，而传统训练通常需要广泛的真实世界数据收集和干预。HIL-UMI使用一个“人在回路”系统，操作员使用手持设备执行任务，同时后台的AI模型预测动作并标记差异，仅在模型遇到困难时触发有针对性的数据收集。这大大提高了数据收集效率，并允许具身智能体的分布式、可扩展训练。
-
AI 编码助手：Git worktree 与容器化使用对比，实现并行开发
开发者可以通过使用独立的 Git worktree 或容器化环境，与 Claude Code 和 Codex 等 AI 编码助手实现并行开发。Git worktree 方法涉及为每个代理创建单独的目录，这可能导致共享分支和 stashes 的问题。或者，与 Claude Code 集成的 'container-use' 工具为每个任务提供隔离的容器环境，防止冲突并保持本地目录的整洁。这两种方法都旨在简化并行编码工作，尽管审查过程可能成为瓶颈。
-
新的WNM-3D模型增强了导航的3D场景条件约束
研究人员推出了一种新颖的世界导航模型WNM-3D，该模型集成了用于闭环视觉语言导航（VLN）的3D场景条件约束。该模型通过显式建模代理的视觉观察如何随着其预测的运动而演变，解决了当前VLN系统的局限性。WNM-3D利用几何编码器和3D场景到Token适配器，将扩散Transformer约束在持久的场景上下文中，从而实现更鲁棒的导航。
-
新的LIFT框架通过反应式力注入增强VLA策略
研究人员开发了LIFT（Late Reactive Injection of Force for VLA Post-Training，用于VLA训练后期的反应式力注入）框架，旨在提高视觉语言动作（VLA）策略的性能，特别是在接触丰富的操作任务中。该方法集成了一个反应式动作专家，该专家利用最近的力反馈在执行过程中优化动作，解决了纯视觉驱动方法的局限性。LIFT还包含一个在线DAgger循环以适应反馈变化，并在毛巾折叠和Hanoi塔放置等…
-
LLM合成的代码世界模型在规划方面表现不佳，尽管预测准确性很高
一篇新的研究论文探讨了使用预测准确性作为评估大型语言模型合成代码世界模型（CWMs）的唯一指标的局限性。作者认为，尽管CWMs可以在采样轨迹上实现高转换准确性，但这并不能保证在规划任务中的有效性能。他们证明，即使是一个准确性接近完美的CWM，如果其一小部分错误涉及到关键的游戏动态，也可能系统性地失败。这个问题无法通过增加数据或使用GPT 5.x等模型来解决，因为LLM倾向于翻译规则而不是推断规则。该论文建议，面向规划的CWM的充分性应…
-
AI 机器人凭借新颖的强化学习策略赢得服装折叠挑战赛
一种新颖的强化学习方法在 LeHome Challenge 2026 的线上和线下比赛中分别获得第一名和第二名，该比赛专注于双臂服装折叠。该系统采用了一种视觉-语言-动作策略，在一个网络中集成了成功率估计和优势计算，以优化效率和实时适应性。关键创新包括异步分布式训练管道、使用 Thompson 采样进行的推理时超参数优化，以及包含类似 DAgger 的数据收集的仿真到现实迁移策略。
-
人形机器人“大脑”获得类GPT模型，处理20亿帧运动数据
研究人员推出AstraBrain-WBC 0.5，这是一种新颖的、类GPT的基础模型，专为人形机器人的通用大脑控制而设计。该模型利用了包含20亿帧人类运动数据的海量数据集，在执行新颖动作的零样本泛化能力方面，显著优于SONIC和TWIST等现有方法。该架构采用了因果Transformer，摒弃了传统的MLP，以更好地捕捉运动中的长期时间依赖性，使机器人能够以高精度和稳定性执行复杂且动态的运动。
-
新的具身人工智能系统利用自拍视频实现记忆和主动辅助
研究人员推出了新的具身人工智能系统和数据集，专注于从自拍视频中获取记忆和主动辅助。MEMORA 旨在为机器人配备具身动作记忆，通过四个记忆存储的形成、巩固和检索生命周期来改进规划和目标理解。另外，Vinci2 通过推理时间上下文来确定智能代理何时应进行干预，从而提供主动辅助，并引入了 EgoServe 基准和 EgoMemo 代理。此外，Open-AoE 为从自拍操作视频中进行具身学习提供了大规模数据集和工具链，促进了人机转移和世界建模。
-
算子学习框架提升电网仿真精度
研究人员开发了一种新颖的算子学习框架，用于近似同步发电机的动态行为，同步发电机是电网的关键组成部分。该框架利用深度算子网络（DeepONets）创建神经网络模型，这些模型可以与现有电网模拟器集成，或充当发电机瞬态响应的影子。该方法包括一个用于随时间模拟发电机响应的数值方案和一个可以整合现有数学模型的残差DeepONet，并附带误差估计。此外，还提出了一种数据聚合策略（DAgger），用于在交互式仿真期间微调这些网络以获得更好的性能。
-
开发者在 CI/CD 中使用 AI 遇到困难，提及成本和安全漏洞
一位开发者分享了将 AI 集成到其 SkillSpector 项目的 CI/CD 流水线中的经验，遇到了重大挑战。主要问题是 AI 性能缓慢，导致 GitHub 成本高昂，并且在检测提示注入攻击方面不够成熟。开发者还指出，SkillSpector 广泛的漏洞模式列表可能无法捕获自定义的、混淆的脚本，并建议进行改进，例如验证 AI 账户和取消列出未使用的技能，以维护生态系统完整性。
-
DAGGER算法在无梯度情况下构建放大网络
研究人员开发了DAGGER，一种新颖的无梯度算法，用于构建瞬时放大网络。该方法可高效生成具有特定符号、稀疏性和对角线特性的网络，这对于生物连接组和结构化RNN等应用至关重要。DAGGER在精确保持连接性的同时实现了显著放大，在速度和有效性方面优于现有的基于梯度的方法。