来源：机器之心 原文链接：https://mp.weixin.qq.com/s/u_TLN8q7bp-GJVcJVXYdPw 近年来，视觉语言模型（Vision-Language Model, VLM）在图像理解、语义推理等任务中展现出了强大的能力。然而，当这些模型真正进入物理世界，让机器人根据一句自然语言指令完成自主导航时，仍然面临巨大挑战。 例如，机器人完成一句简单的指令： “穿过走廊，...

Spatial-TTT 给 2B 模型装上“流式空间记忆” ，在空间基准上超越 GPT-5。 作者丨张 璐 编辑丨幸丽娟 单纯拉长上下文，可以解决“能塞进多少信息”的问题。但面对状态变化、时序关联这类长程任务时，注意力还是容易被稀释，关键证据也容易找不回来。当场景扩展到具身机器人、自动驾驶和智能硬件这些需要与三维物理世界实时交互的领域时，这一矛盾被进一步放大。与纯文本或静态图文不同，真实物理...

来源：遥感与深度学习 原文链接：https://mp.weixin.qq.com/s/vZ6MEu5IEEI3WvnSv4bdow 题目：RoadBench: Benchmarking MLLMs on Fine-Grained Spatial Understanding and Reasoning under Urban Road Scenarios 会议：European Confere...

来源：深蓝具身智能 原文链接：https://mp.weixin.qq.com/s/KSF-DndHNSau02ZYBMCT8Q 懂物理的3D世界模型，才有资格谈动态操控——高速动态任务场景 不可否认，VLA与视频世界模型在静态或准静态任务上已取得显著进展。 而在真实产线、日常服务场景中的目标往往处于持续运动状态——传送带上的工件、旋转货架上的货品、投掷而来的球体…… 这些动态物体的通用操作...

来源：量子位（QbitAI） 原文链接：https://mp.weixin.qq.com/s/fgnisGlSYBEYCcJLZZ00lg 在机器人、自动驾驶、AR等真实场景中，空间理解从来都不是“看一眼图像”就能解决的问题。 相机持续移动、视角不断变化、目标时隐时现，空间信息从来不是明确且集中的，而是往往分散在长时间视频流里，模型不仅要“看得见”，更要“记得住、连得起来、还能持续更新”。 ...

来源：深蓝具身智能 原文链接：https://mp.weixin.qq.com/s/_JknLgOM4Z3tki836EJuug 安全和任务完成度天生就有矛盾，光靠堆安全样本治标不治本，运动规划和图文匹配得拆开单独优化——物理碰撞安全 + 语义指令安全 机器人真的安全吗？ 现有的LIBERO、VLA-Arena这些评测基准，全在考“活能不能干完”，从来没把“安不安全”当成正经评分项。 最近清...

来源：我爱计算机 原文链接：https://mp.weixin.qq.com/s/QaJ-STPtVDLPX-4j-1UuCg?scene=1 在复杂现实场景下的半监督视频目标分割（Semi-supervised Video Object Segmentation, VOS）任务中，严重遮挡、目标频繁消失与重现、微小尺度以及密集同类干扰物等极端情况，长期困扰着现有的视觉模型。尽管以 SAM3...

来源：多模态视觉 原文链接：https://mp.weixin.qq.com/s/9DDw5LZTBdYIR64l0lM2Bg 在遥感、无人机和港口画面里，目标大多是斜着的，水平检测框会框进一大堆背景，旋转框又因为角度周期性而难训、难收敛。中科大联合华为、清华提出的 RiO-DETR 把端到端旋转 DETR 第一次推进实时区间——最轻量模型只有 4.0M 参数、T4 上端到端延迟 2.7ms...

来源：林叔说事 原文链接：https://mp.weixin.qq.com/s/dF_niCtYfqjwld2AKRJwVw 拿起手机，对着你的房间随手录一段10秒钟的视频。 几分钟后，屏幕里出现了一个活生生的三维物理世界，原先的像素录像成了可以交互的场景。 桌子、椅子、花盆、甚至一只正在扑腾翅膀的鹦鹉，全都被拆解成了独立的实体网格。 你可以把一台虚拟机械臂丢进去：推一把花盆，花盆会顺着桌面...

来源：量子位 原文链接：https://mp.weixin.qq.com/s/fmy0V_Curk3m7PNq3dZgHQ MLNLP社区是国内外知名的机器学习与自然语言处理社区，受众覆盖国内外NLP硕博生、高校老师以及企业研究人员。社区的愿景是促进国内外自然语言处理，机器学习学术界、产业界和广大爱好者之间的交流和进步，特别是初学者同学们的进步。在机器人、自动驾驶、AR等真实场景中，空间理解...