机器人策略学习的几何动作模型
该论文提出几何动作模型（GAM），利用预训练的几何基础模型来增强三维物理环境中的语言条件操纵。GAM将预训练基础模型分为观测编码层和未来预测层，使其能够根据语言、本体感知和动作历史预测未来令牌，然后解码为动作。这种三维感知方法在模拟和真实机器人接触密集任务中，较传统二维视觉-语言-动作模型显著提升了准确性、鲁棒性、效率和速度。
Loading / 加载中
Thinkgap 信息流
页面仅读取已加工的 items 表，并以中英双语呈现。
46 条内容
该论文提出几何动作模型（GAM），利用预训练的几何基础模型来增强三维物理环境中的语言条件操纵。GAM将预训练基础模型分为观测编码层和未来预测层，使其能够根据语言、本体感知和动作历史预测未来令牌，然后解码为动作。这种三维感知方法在模拟和真实机器人接触密集任务中，较传统二维视觉-语言-动作模型显著提升了准确性、鲁棒性、效率和速度。
JoyAI-VL-Interaction 是一个 80 亿参数、视觉优先的模型，能够无需用户提示自主决策响应或委托，旨在像人类一样感知环境变化并互动。该系统通过流式持续视频实现实时交互，配备可插拔的 ASR/TTS 模块和后台大脑。人类评估者在多种场景下更偏好该模型，而非现有的视频通话助手。该开源模型和系统代表了一种交互建模的新范式，用于始终在线的感知智能体。
该论文提出了Data2Story，一个通过模拟虚拟新闻编辑室中不同角色的多智能体框架，来自动化数据新闻生产。它能够生成基于证据的多格式新闻故事，包括文字报道、交互地图和音频，并链接数据源以确保可验证性。在与人类专家记者的对比评估中，Data2Story展现出有竞争力的表现，尤其在透明度和可审计性方面突出，但人类记者在编辑角度和创意设计方面仍占优势。该系统被定位为记者的协作工具。
FastContext 将仓库探索与代码求解解耦，避免无关代码片段消耗大量 token。它使用专门的探索模型作为子智能体，并行调用工具并仅提供精确的文件路径与行号范围作为上下文。该方法可将 token 消耗降低高达 60%，同时将任务解决率提升最多 5.5%。
内容加工暂时不可用。请通过原文链接查看该条目的完整信息。此降级结果用于保持加工契约兼容。
APPO 是一种新的智能体强化学习方法，旨在增强大语言模型智能体的多轮工具调用能力。它通过关注细粒度的 token 级别决策点而非粗粒度的交互单元，改进分支选择与功劳分配。该方法利用 token 不确定性和策略诱导的似然增益来选择分支位置，从而实现更精准的探索，并在分支展开间更合理地分配功劳。在 13 个基准测试中，APPO 相较于现有智能体强化学习方法平均提升约 4 个百分点，同时确保高效的工具调用并保持行为可解释性。