Fast-WAM
PulseAugur coverage of Fast-WAM — every cluster mentioning Fast-WAM across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
新的CASD方法通过蒸馏语义目标来增强机器人操作能力
研究人员开发了一种名为分块对齐语义蒸馏（CASD）的新方法，以改进机器人操作任务。CASD使用离线视觉语言模型将演示分解为多个阶段，并为整个动作块（即使是跨越多个阶段的动作块）推导出语义目标。这种方法训练一个以这些预测为条件的策略，与现有方法相比，在各种基准测试和机器人集成中表现得到提升。
-
新世界模型训练机器人以提高性能，训练后退出 · 跟踪 1 个来源
研究人员开发了一种新颖的世界模型 Phi-WM 1.0 ActEffect，旨在通过在训练后战略性地退出部署过程来提高机器人性能。与在任务执行期间保持活跃的传统模型不同，ActEffect 专注于在训练阶段预测机器人动作的后果。这种方法使机器人能够在没有持续世界建模的计算开销的情况下从潜在结果中学习，从而提高能力并降低部署成本。初步测试表明，在包括 LIBERO、LIBERO-PLUS 和 RoboCasa-GR1 在内的各种基准测试…
-
ForeTime-VLA 策略通过预测未来事件来改进机器人操作
研究人员开发了 ForeTime-VLA，这是一种用于操纵运动物体的新策略，它改进了现有的视觉-语言-动作模型。该策略从世界动作模型中蒸馏出具有未来意识的表示，使其能够更有效地预测接触事件。在传送带数据集上的定量评估中，ForeTime-VLA 证明了平均绝对误差和 L2 误差的降低，但延迟略有增加。与之前的方法相比，实际机器人测试显示了在抓取静止和移动物体方面的成功率有了显著提高。
-
StarSeaMap 揭示具身 AI 进展、新模型及机器人
在2026世界机器人大会上，StarSeaMap（星海图）宣布了在具身智能领域的重大进展。该公司即将发布其G0.5 MAX基础模型，该模型集成了动作推理功能，并在多项基准测试中展现出卓越性能。此外，StarSeaMap正在开发用于加速推理的Fast-WAM世界模型，并推出了G-Fleet分布式强化学习系统，以促进真实机器人集群的持续学习。该公司还展示了新的机器人硬件，包括Nexo轮式机械臂机器人、Kengo双足机器人以及Lemo桌面平…
-
StarSea Map 将具身AI从自主推向实际生产力
StarSea Map 在WRC上展示了其在具身智能领域的最新进展，强调了从基本自主行动向实际生产力的转变。其新的G0.5模型，一个统一的Transformer Decoder架构，在订单履行、工业装配和灵活物体操作等各种任务中，在泛化性、精确性和效率方面都取得了显著的改进。该公司还重点介绍了其Fast-WAM世界模型，该模型实现了低推理延迟，通过利用VLA和世界模型技术，展示了开发具身智能的务实方法。
-
宇树科技IPO首日飙升629%，机器人大会热度高涨 · 追踪2个来源
宇树科技的首次公开募股（IPO）引发了机器人行业的轰动，其股票在上市首日飙升629%，公司估值超过3400亿元人民币。这一事件恰逢2026世界机器人大会（WRC），凸显了市场正从单纯的技术展示转向重视实际应用和商业交付。包括黑芝麻智能、外骨骼机器人公司Exosapien Dynamics、Realman Intelligence、星海AI和自变机器人等在内的多家公司也取得了重大进展，并有望实现未来增长，其中许多公司正准备IPO或近期已…
-
Faster-WAM 通过高效、通用的世界动作模型推进机器人操作 · 跟踪 3 个来源
研究人员开发了 Faster-WAM，一种新颖的世界动作模型（WAMs）方法，显著提高了机器人操作任务的推理速度和泛化能力。该方法在多篇 arXiv 论文中进行了详细介绍，引入了 Transformer 停靠（DoT）和稀疏未来条件框架等架构创新。这些进步使得 WAMs 即使在处理分布变化时，也能通过在没有高昂计算成本的情况下高效重用未来表示来保持性能和鲁棒性。实验表明，Faster-WAM 在 LIBERO 和 RoboTwin 2…
-
新的QuantWAMs框架优化世界动作模型以实现高效部署
研究人员开发了QuantWAMs，一个用于量化世界动作模型（WAMs）的新颖框架，以提高其部署效率。与以前的方法不同，QuantWAMs根据模型的结构、部署分布和任务目标来校准量化决策。这种方法引入了共享基数异常值校准、联合训练目标显著性以及固定干预部署审计的策略。在包括真实机器人操作任务在内的各种基准测试上的评估表明，QuantWAMs在保持接近全精度模型的性能的同时，显著减少了内存使用并提高了速度。
-
新的世界-动作模型增强机器人操作和泛化能力
研究人员开发了几种新的机器人操作世界-动作模型（WAMs），旨在提高效率和鲁棒性。LiLa-WAM专注于轻量级潜在推理空间，可在单个GPU上进行端到端训练，在基准任务上取得了很高的成功率。ST-WAM通过使用具有DINOv3特征和历史检索的语义-时间建模，增强了在视觉分布变化下的鲁棒性，在真实世界场景中表现明显优于先前模型。LAWM-3D从人类视频中学习3D感知潜在动作，通过多视图不变性和几何对齐来提高世界模型性能。XEWorld引入…
-
星海图发布G0.5模型、Kengo机器人及数据计划
专注于具身AI的公司星海图在其全球开发者大会上发布了其新的VLA基础模型G0.5和Kengo双足机器人。该公司强调三层技术路线：本能智能、任务智能和进化智能，其中G0.5目前支持任务智能。星海图还优先收集高质量的真实世界数据，目标是达到一百万小时，并通过投资和孵化计划培育生态系统，为具身AI发展的预期平台阶段做好准备。
-
ACE ROBOTICS 的 Kairos 世界模型树立了新的具身人工智能基准
ACE ROBOTICS 发布了其 Kairos 世界模型，该模型在四个主要的具身人工智能基准测试中取得了最高排名：RoboTwin 2.0、LIBERO-Plus、WorldModelBench Robot 和 DreamGen。该模型采用了一种新颖的统一架构，用于多模态理解、生成和预测，解决了现有视频生成模型的局限性。Kairos 已向行业开源。
-
新的C3ache方法加速了机器人世界动作模型
研究人员开发了一种名为C$^3$ache的新方法，以加速世界动作模型（WAMs）的推理过程。WAMs以其在机器人技术中的强大泛化能力而闻名，但由于多步去噪过程，计算成本很高。C$^3$ache通过缓存和重用不同推理块中的计算残差来解决这个问题，在不显著影响任务成功率的情况下实现了高达2.5倍的速度提升。
-
新型机器人模型AHA-WAM解耦规划与执行
研究人员开发了AHA-WAM，一种新颖的异步世界-动作模型，用于机器人操作，通过解耦世界预测和动作执行来提高效率。该模型采用双扩散Transformer架构，一个Transformer作为低频世界规划器，另一个作为高频动作执行器。实验表明，AHA-WAM在机器人任务上取得了最先进的性能，包括比以前的方法快4.59倍。
-
基于17,800小时真实机器人数据训练的开源具身世界模型
研究人员推出了τ0-World Model (τ0-WM)，这是一个开源的具身世界模型，在海量的30,000小时数据上进行了训练，其中大部分（17,800小时）来自真实机器人远程操作。该模型超越了预测未来状态的能力，通过引入测试时计算（Test-Time Computation），使机器人在执行前能够评估和选择最优动作，甚至纠正潜在错误。与之前的模型相比，τ0-WM在复杂操作任务上表现出更优异的性能，挑战了仅将真实世界数据用于微调的传统方法。