- 论文公开站arXiv
PEARS: Physical-Prior-Guided Efficient Adaptation via Failure Reasoning and Diffusion Steering for Tactile Manipulation
Pretrained robotic policies can suffer substantial performance degradation under out-of-distribution (OOD) conditions encountered during deployment, motivating post-training through real-world interaction. However, reinf…
- 论文公开站arXiv
MemPilot: Orchestrating On-Demand Multimodal Memory Curation for LLM Agents
Memory has become integral to the LLM agent ecosystem, supporting information retention and reuse across interactions. However, most existing agent memory systems construct memory in a query-agnostic manner, which can in…
- 论文公开站arXiv
One Figure, Every Canvas: Editable Flowchart Relayout via Agentic Pipeline
Pipeline figures in ML papers must be repurposed across many canvases, including paper columns, 16:9 slides, portrait posters, 1:1 social teasers, 9:16 phone previews. Each format imposes a different aspect ratio on the …
- 论文公开站arXiv
WorldAuditBench：多模态智能体的交互式3D世界审计
WorldAuditBench: Interactive 3D World Auditing with Multimodal Agents
随着交互式3D世界被广泛用于研究智能行为，识别其中异常（如悬浮物体、可穿墙、与环境不一致的物体）的高效流程变得重要，本文提出相应基准。
- 论文公开站arXiv
约束强化学习中的视觉-语言信号：安全增益但无预判能力
Vision--Language Signals in Constrained RL: Safety Gains Without Anticipation
安全强化学习寻求在满足安全约束的同时最大化任务性能的策略。然而在驾驶基准中，碰撞成本通常仅在碰撞时出现，无法提前预警逼近的危险。冻结的视觉-语言模型被用于提供信号。
- 论文公开站arXiv
MIGU：面向操作规划的不确定性下多模态指令接地
MIGU: Multimodal Instruction Grounding under Uncertainty for Manipulation Planning
摘要显示，MIGU 是一个模块化框架，用于在语言与手势线索互补但不确定的情况下进行多模态指令接地。它通过眼-指几何传播视线方向与深度不确定性构建三维几何似然，并结合视觉语言模型提供的语义先验，以类贝叶斯方式融合为统一接地信念，进而支持直接规划或请求澄清。真实基准上 MIGU 优于所评估基线，消融实验支持显式多模态不确定性建模的收益。
意义：为机器人在不确定语言与手势输入下提供可量化的接地与澄清机制，对具身智能与多模态规划有参考价值。
- 论文公开站arXiv
StageGuard：通过智能体蒸馏学习长时程机器人任务的阶段转换
StageGuard: Learning Stage Transitions for Long-Horizon Robot Tasks via Agentic Distillation
摘要显示，针对长时程机器人任务中判断何时终止当前技能并切换到下一子任务的问题，作者提出 StageGuard，一种智能体蒸馏框架。该方法结合教师模型推理与演示轨迹，生成子任务完成与策略切换的结构化解释，再让轻量学生 VLM 生成紧凑自解释并做监督微调。在两个基准轨迹上评估阶段转换预测，并通过集成到 BEHAVIOR-1K 分层机器人控制中评估闭环任务成功率，还在真实机器人上做了进一步验证。结果称阶段转换预测显著提升，并支持高效在线监控。
意义：为长时程机器人任务提供轻量级阶段切换判断方案，降低对云端大模型推理的依赖，利于实时在线监控与端侧部署。
- 论文公开站arXiv
工作空间模型：基于显著性驱动监督的轻量机器人记忆
Workspace Models: Lightweight Robotic Memory via Saliency-Driven Supervision
摘要显示，该论文提出「workspace token」表示，在训练阶段用 VLM 识别任务所需的当前与历史信息，并通过集合重建解码器损失蒸馏为轻量潜变量记忆，部署时可直接替代观测输入，无需在环 VLM 推理。仿真与硬件实验表明，该方法在记忆密集型任务上不仅更轻量，策略性能也更好。
意义：为机器人策略记忆提供训练期蒸馏、部署期轻量化的思路，降低对 VLM 在线查询的算力依赖，利于实时长时程操作落地。
- 论文公开站arXiv
基于VLM智能体的上下文机器人学习
In-Context Robot Learning with VLM Agents
摘要显示，该研究提出 GPT-Policy，一种面向上下文机器人学习的通用智能体框架，整合了保留任务相关视觉过渡的上下文编译器、提出机器人工具动作的视觉语言模型（VLM），以及验证并执行动作、反馈结果的受限控制器。在真实机器人试验中，人类视频演示即使没有机器人动作标签也能提升任务完成率，对齐的动作参考在接触敏感任务上带来进一步增益，无需梯度更新或持久修改任务参数。
意义：为机器人泛化提供无需微调的新范式，降低部署成本，并凸显VLM作为机器人策略核心组件的潜力。
- 论文公开站arXiv
Re³Cap：基于检索引导的强化学习图像描述优化方法
Re$^3$Cap: Retrieval-Guided Refinement for Image Captioning Enhancement via Reinforcement Learning
Re³Cap提出一种检索引导的推理策略，用于增强图像描述生成，无需额外标注。该方法通过描述细化建议器和质量评估器，识别并修正描述中的幻觉与遗漏，从而生成更准确、详细的描述。实验表明，在COCO-LN500基准上，Re³Cap在关系推理任务上平均比GRPO提升8.64%，甚至优于监督微调方法。
意义：该方法利用多模态检索作为推理信号，提升强化学习在图像描述中的探索能力，为无需额外标注的模型优化提供了新思路。
