来源：公众号“专知” 原文链接：https://mp.weixin.qq.com/s/GYp8zFf-C5pXqHMSDNT2Aw 论文标题： When LLMs Develop Languages: Symbolic Communication for Efficient Multi-Agent Reasoning 论文作者： Zhengqi Pei, Qingming Huang,...

来源：光子星球 原文链接：https://mp.weixin.qq.com/s/iavDo14ipF_Es6vJmhP-6A?scene=1   机器人要从娃娃抓起！8月19日，WRC（世界机器人大会）开幕第一天，有很多组团来到现场参展的都是小学生，他们好奇心满满，问题千奇百怪，已成为现场一道靓丽的风景线。 WRC作为机器人产业的原生主场，今年第一次让AI从主角退回嵌入产业链的能力层。...

原文链接：icra-research-robotics-simulation-to-real-world 原文作者：Katie Washabaugh 在国际机器人和自动化会议上，八篇新的英伟达研究论文展示了经过模拟训练的机器人是如何进入现实世界的。 机器人技术正在进入一个新阶段：从受控演示和脚本自动化转向现实世界中可推广、可靠的体现自主。 在国际机器人和自动化会议（ICRA）上，NVIDIA Research的28篇被接受的论文中有8篇展示了模拟到现实的传输如何成为这种转变的基础，帮助机器人在动态、不可预测的环境中感知、推理、计划和行动。 这些论文共同涵盖了机器人开发人员面临的挑战：并行协调多个手臂，构建跨机器人身体通用的政策，在杂乱中抓住新事物，执行精确的组装，以及开发在移动前推理的视觉-语言-动作模型。 通道很清楚：sim-to-real正在成為機器人的基礎，這些機器人可以在實驗室外以更高的可靠性進行適應、概括和操作。 Coordinating Arms, Navigating Bodies, Grasping Objects ...

AI 正从看懂画面，走向理解空间、预测变化、执行动作。    作者丨张岂萍       编辑丨幸丽娟                                                                                                        AI...

【封面图片来源：网站名微信公众号，所有者：极市平台】一、背景 工业质检和医疗影像分析中，传统方法采用"一个任务一个模型"的碎片化模式，检测不同模态（如RGB、红外、3D深度）需要部署多个专用模型，导致运维成本高、泛化能力差。现有方法存在域干扰问题——直接融合多域特征会引入噪声，导致大量误报。能否构建一个通用的"大脑"，既能理解多模态融合信息，又能针对不同任务动态调用"专家知识"？这一问题的解决对于工业质检和医疗影像的智能化升级具有重大意义。来自大连理工大学、工源三仟、南洋理工大学的科研团队共同提出了一种名为 UniMMAD 的统一框架。该模型被命名为 UniMMAD，意为“Unified Multi-Modal and Multi-Class Anomaly Detection”，即统一的多模态、多类别异常检测，采用"通用-特定"范式，通过压缩-解压架构实现统一的多模态、多类别异常检测，大幅提升模型泛化能力和部署效率。它最令人惊艳的地方在于，仅用一套参数，就能同时处理涵盖工业、医疗、合成数据等 3 个领域、12 种模态和 66 个类别的异常检测任务。 二、核心方法 UniMMAD...

雷锋网消息，9 月 17 日，在举行于上海的世界人工智能大会上，清华大学交叉信息研究院院长、图灵奖得主姚期智登台，进行了题为《人工智能的现在和未来》的演讲。 姚期智首先谈到了人工智能的广泛应用，并对清华大学交叉信息研究院的研究和企业转化成功进行了介绍，并以小马智行和旷视科技为例，介绍清华校友在人工智能领域创业的优秀成果。...

原文作者：公众号“深蓝具身智能” 原文链接：https://mp.weixin.qq.com/s/yGE3tLQywqf4wvsOlj6WxA 同时支持双臂协同、双灵巧手高自由度精细操作 ——端到端VLA模型 过往主流VLA系统，要么聚焦双臂低自由度夹爪控制，要么专攻单臂高自由度灵巧手操作，始终无法兼顾双臂协同与精细手指动作的双重需求。 比如活塞插入需双臂精准配合，拧瓶盖、精细取物则依赖多指灵活调控，这类任务长期缺乏统一的VLA解决方案。 近日，首个原生面向双臂双高自由度（36自由度）灵巧操作的开源VLA模型：Dexora，打破此前VLA的形态壁垒，为通用灵巧机器人的落地提供了全新范式。 硬件与遥操作：虚实协同的灵巧数据底座 ▲Dex 硬件与混合遥操作系统示意图©【深蓝具身智能】编译 硬件层面，Dexora搭载两台6自由度AIRBOT机械臂与一对12自由度XHAND灵巧手，单只手12个关节独立驱动，拇指与食指支持侧摆动作。 可实现扭转、捏取等类人精细操作，整套系统总计36自由度，为复杂双手协同任务提供硬件基础。 ...

在机器人领域，一个更大的模型并不能自动解决所有问题。    作者丨马晓宁     编辑丨岑   峰                                                                                                        当地时间 9 月 30 日，IROS 2026...

Transformer 语言模型具有单射性，隐藏状态可无损重构输入信息。 作者丨郑佳美 编辑丨马晓宁 最近，一篇名为《Language Models are Injective and Hence Invertible》的论文在学术界和科技圈引起了广泛讨论，甚至连老马的 Grok 官方也下场转发。 这篇论文出自意大利罗马第一大学（Sapienza University of Rome）的 GLADIA Research Lab，文中提出了一个颇有争议却又耐人寻味的观点：主流的 Transformer 语言模型在信息处理过程中几乎不会丢失任何输入内容，从数学意义上看，它们是可逆的。 换句话说，模型的隐藏状态并不是模糊的语义压缩，而是一种能够完整保留输入信息的精确重编码。这一发现不仅挑战了人们对语言模型“理解”机制的传统认识，也让研究者开始思考一个更具体的问题：这种理论上的信息保持，在实际模型中是否真的存在？ 为了回答这一问题，作者设计并实施了一系列大规模实验，试图从实证角度验证 Transformer 的可逆性与单射特性。 01 Transformer 几乎不会丢失信息...

CV 在前，NLP 在后，迁移学习技术的应用为这两个领域所带来的进展和突破，不可谓不瞩目。 其中，预训练模型作为当下迁移学习的一种主流方法，让“从零开始训练一个新模型”的时代一去不复返。这类在大型数据集上训练好的模型进行微调后，便能够较好地适配类似的新目标任务，可以极大地节约时间和成本。 不过，天下没有免费的午餐，这种方法看似“一劳永逸”，也需要付出一定的代价，其中的一大问题便是，由于反向传播带给深层卷积层的更新较小，微调得到的模型往往被“吸引”在预训练模型附近，无法得到充分更新。 对此，百度的一篇 ICML 2020工作《RIFLE: Backpropagation in Depth for Deep Transfer Learning through Re-Initializing the Fully-connected LayEr》，提出了一种简单有效的策略RIFLE，通过周期性的重新初始化全连接层，给深层的特征提取网络带来有意义的更新，提升低层次特征的学习，从而显著提升迁移学习的效果。 ...