Namco System 2
PulseAugur coverage of Namco System 2 — every cluster mentioning Namco System 2 across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新框架Fast-TD-MPC提高了机器人控制效率
研究人员开发了Fast-TD-MPC，一个用于数据驱动模型预测控制的新框架，旨在提高连续控制任务的效率。该系统受人类认知过程的启发，能够自适应地快速执行策略和更审慎的规划之间切换，将密集计算保留用于复杂状态。这种方法在保持103个控制任务的竞争性性能和干扰下的鲁棒性能的同时，实现了高达四倍的推理速度。
-
Autotrust发布具有快速视觉能力的JEV多模态模型
Autotrust已发布两款新的多模态模型JEV-27B-VL和JEV-9B，可在Hugging Face上获取。JEV-27B-VL专为图像到文本任务设计，可与Transformers、vLLM和SGLang等库集成。JEV-9B模型是Qwen3.5-9B的演进版本，集成了“系统1”快速决策层和“系统2”推理层，使其能够以惊人的速度和准确性执行机器人手臂操作和计算机界面控制等视觉任务。
-
神经符号循环在生产环境中对抗 LLM 幻觉
本文提出了一种“神经符号循环”来解决大型语言模型 (LLM) 在生产应用程序中使用时出现的幻觉问题。文章认为，作为“系统 1”（直观和创造性）的 LLM 需要与“系统 2”（严谨和确定性）的符号求解器和图数据库相结合。所提出的架构强制 LLM 生成的产物（如代码或查询）通过验证过程，以确保在影响生产环境之前具有逻辑和数学上的一致性。文章讨论了使用 TypeScript 实现来自动捕获、解析和纠正 LLM 错误。
-
双过程AI框架提升机器人运动规划效率
研究人员开发了一种新颖的双过程运动规划框架，用于机器人系统，其灵感来源于“思考，快与慢”范式。这种神经符号方法结合了基于学习的模块（系统1）的效率和符号求解器（系统2）的鲁棒性。一个元认知控制器动态管理这些系统之间的交互，从而提高了规划效率、准确性以及在各种基准环境中的泛化能力。研究结果表明，将结构化推理与学习相结合是创造更强大、更适应性强的机器人的有前途的途径。
-
DeepInsight II 论文弥合了 AI 基准测试与机器人部署之间的差距
一篇新的研究论文 DeepInsight II 提出了一种方法论，以弥合 AI 模型基准测试与真实世界机器人部署之间的差距。该研究通过重现现有基准测试，然后将其扩展到物理机器人试验，来量化具身 AI 堆栈。这种方法可以对模拟和真实世界的性能进行直接比较，识别模拟到现实（sim-to-real）的差距，并根据经验证据进行诊断和修复。
-
新的元认知框架增强了大型语言模型的自我意识和调节能力
研究人员开发了一个新颖的元认知框架，旨在增强大型语言模型（LLMs）集成中的自我意识和自我调节能力。该框架通过元认知状态向量（MSV）量化了包括情感反应和冲突检测在内的五个维度的自我意识。MSV随后指导系统根据查询复杂度在快速的系统1和审慎的系统2处理之间切换，并通过图论算法为系统2任务分配专门的大型语言模型节点角色。概念验证实现证明了该方法的可能性，可视化了元认知过程并展示了适当的路由和角色分配。
-
生成式AI通过认知外包，可能侵蚀人类判断力
闪存和智能手机的广泛采用导致了一种称为认知外包的现象，即个人越来越依赖外部搜索引擎而非内部记忆。生成式AI进一步放大了这种转变，它现在可以检索和综合信息，从而减少了人类搜索的需要。研究人员正在探索“系统0”思维、“认知投降”和“认知殖民化”等概念，以描述对AI进行信息检索和决策的依赖如何可能侵蚀独立判断力，并将AI设计者的意图巧妙地嵌入用户的认知过程中。