PulseAugur
中
实时 08:52:02
实体 LIBERO-10

LIBERO-10

PulseAugur coverage of LIBERO-10 — every cluster mentioning LIBERO-10 across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
7
90 天内 9
发布 · 30天
0
90 天内 0
论文 · 30天
6
90 天内 8
层级分布 · 90 天
主题
关系
情绪 · 30 天

6 天有情绪数据

最近 · 第 1/1 页 · 共 9 条
  1. RESEARCH · CL_357654 ·

    新研究推进机器人和推理的视觉-语言-动作模型

    近期研究探讨了视觉-语言-动作(VLA)模型的进展,重点在于提高其在复杂任务和现实世界应用中的能力。论文讨论了多模态预训练的扩展定律,引入了用于历史一致性的AnachroBench和用于忠实图像理解的ContraSense等新基准,并开发了用于长时域任务的RB-VLA和用于高并发分布式强化学习的D-VLA等新架构。这些努力旨在提高VLA模型在机器人操作、物理动力学推理和泛化等领域的性能,解决当前模型的局限性。

  2. RESEARCH · CL_348751 ·

    流匹配研究探索稳定性、鲁棒性和时间一致性

    三篇新研究论文探讨了生成模型流匹配技术的进展。第一篇论文研究了流匹配策略中欧拉采样对准确性和局部稳定性的双重要求,并强调可能需要不同的步数。第二篇论文通过提出时间残差分数和比较条件分数方法,解决了目标数据腐蚀和标签噪声下流匹配的鲁棒性问题。第三篇论文引入了时间对一致性,这是一个通过耦合配对时间步长的速度预测来提高样本质量的训练目标,并在各种流匹配模型和数据集上展示了收益。

  3. TOOL · CL_344168 ·

    MAC-v2 框架增强了基于像素的离线强化学习

    研究人员推出 MAC-v2,一个专为基于像素的离线强化学习中的长时域模型驱动价值扩展而设计的新颖框架。该方法解决了从视觉输入中学习表示和动力学的固有难题,在这些输入中,错误会在想象的轨迹中累积。MAC-v2 利用无重建的潜在世界模型和动作分块来减轻预测误差,并学习针对预测和控制进行优化的表示,从而避免编码不相关的视觉细节。该框架在各种视觉基准测试中表现出色,包括 visual OGBench、MMBench2、Robomimic 和 …

  4. TOOL · CL_329118 ·

    逐际动力 FluxVLA Engine V2 简化具身智能开发

    逐际动力 (LimX Dynamics) 发布了其开源工程基础 FluxVLA Engine 的第二个版本,旨在简化具身智能的开发和部署。此次更新通过集成在线强化学习、扩展模拟评估以及验证真实硬件部署来增强能力。该引擎旨在标准化开发流程,使研究人员能够复用工程基础设施,并将精力集中在推进模型能力上,而不是重复性的设置任务。

  5. TOOL · CL_315254 ·

    新方法可从单个模型估算机器人策略不确定性

    研究人员开发了一种新颖的方法来估算视觉-语言-动作(VLA)策略中的认知不确定性,这对于机器人识别知识差距和请求协助至关重要。这种新方法称为事后核方差头(post-hoc kernel-variance heads),可以从单个策略的嵌入中推导出不确定性估计,无需进行多次策略训练或执行。使用SmolVLA在LIBERO-10数据集上的实验表明,这些核方差头在预测任务成功和获取演示方面与集成方法相当,同时显著降低了计算成本和设置时间。

  6. RESEARCH · CL_317216 ·

    GPT-6 Astra 在机器人操作基准测试中领先前沿AI模型

    一份新报告使用LIBERO-10基准测试了六个前沿AI模型在机器人操作任务上的表现。该研究评估了GPT-6 Astra、GPT-6.1 Sol、GPT-6 Luna、Claude Opus-5、Claude Opus 5.5和Gemini-4 Argon。GPT-6 Astra的成功率最高,达到44%,紧随其后的是Gemini-4 Argon,成功率为43%。研究表明,虽然增加推理努力可以提高性能,但模型在复杂的多步交互和精确的空间排…

  7. TOOL · CL_289734 ·

    FastJEV方法通过减少冗余来提高JEV模型的效率

    研究人员开发了FastJEV,一种通过解决候选评估中的冗余来提高JEV模型效率的方法。该方法包括联合组织历史重用和状态存储,为循环初始状态引入共享上下文锚定,并通过候选前缀共享扩展此重用。此外,还应用了决策引导剪枝来减小路径深度。FastJEV在各种基准测试和模型大小上,候选深度显著降低了43.75%至45.83%,同时保持了原始任务得分的93.66%至97.52%的高百分比。

  8. TOOL · CL_98010 ·

    Ghost Attractor Networks 为高效顺序生成和稳定的潜在结构提供了可能

    研究人员推出了一种新颖的动态解码器 Ghost Attractor Networks (GANs),旨在提高大型模型中顺序生成的效率和控制能力。GANs 利用具有盆地吸引子结构的学习势能,实现闭环控制,例如相位条件动作生成和跨步潜在信息传递。经验表明,与 Diffusion Transformer 相比,GAN 模型在参数量和延迟方面显著减少,同时在机器人动作解码任务和闭环基准测试中实现了相当或更优的准确性。

  9. RESEARCH · CL_72801 ·

    新AI模型增强机器人视觉运动控制和记忆能力

    研究人员开发了新的机器人视觉运动控制模型,专注于高效和预测性协调。CT-VAM是一个受小脑-丘脑启发的模型,采用紧凑的架构进行快速、任务条件化的动作预测,支持云边协同范式。Chameleon通过整合控制索引的前瞻性记忆来解决观察-动作延迟问题,显著提高了在具有挑战性基准上的性能。此外,一个基于扩散的框架通过整合多模态信号来预测人类运动,从而学习预测性的视觉运动协调。