Karl G. Jansky Very Large Array
PulseAugur coverage of Karl G. Jansky Very Large Array — every cluster mentioning Karl G. Jansky Very Large Array across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新方法评估人工智能生成视频的物理一致性
研究人员开发了新的方法来评估世界模型生成的视频的物理一致性，填补了当前模拟工具的空白。这些无参考度量结合了相对和绝对评估来量化物理保真度，与依赖人工投票或不可用的真实情况的现有方法不同。通过使用 DROID-SLAM 和 SEA-RAFT 等工具，新方法识别并可视化物理不一致之处，从而在模拟环境中训练的模型任务成功率方面提高了 8% 以上。
-
新的QPILOTS方法增强了扩散策略的强化学习
研究人员推出了一种新颖的方法QPILOTS，旨在提高流匹配和扩散策略的强化学习（RL）效率。该技术通过将中间动作投影到最终干净动作的估计值上来引导推理时的去噪过程，从而避免了直接梯度反向传播相关的数值不稳定性。QPILOTS提供了两种变体：QPILOTS-U和QPILOTS-M，并在离线到在线RL基准测试中展示了卓越的性能，在50个任务中实现了90%的成功率。该方法还成功应用于一个大型、预训练的视觉-语言动作（VLA）基础模型，其性能…
-
北京大学教授提出新的具身AI二维Scaling Law
北京大学副教授、商汤启元首席科学家董浩提出具身AI发展新范式。他认为，当前仅依赖模仿学习或强化学习的方法存在局限性，尤其是在处理错误和实现通用智能方面。董浩提倡一种二维“Scaling Law”，该法则同时考虑数据量和任务数量，旨在让机器人通过更多学习变得更高效、更有能力。
-
新HABC方法提升视觉语言智能体强化学习微调效果
研究人员引入了分层优势加权行为克隆（HABC）方法，以改进视觉语言智能体（VLAs）的在线强化学习。HABC通过分离可行性和效率目标，并使用状态自适应门来平衡它们，从而解决了强化学习微调中稀疏、二元结果的挑战。该方法还纳入了干预感知信用分配，以防止从外部策略执行的片段中进行不正确的学习。在真实机器人任务上的实验表明，与标准的监督微调基线相比，成功率有了显著提高。