AI 搜索

带引用 · 可溯源

先用站内已采集内容作答；站内不足时联网检索，每条结论都给出来源链接

大家都在搜：vLLM12 agent10 alignment10 fine-tuning10 multi-agent10 post-training10 pretraining10 training10

AI 答案

资料有限基于 10 条来源 · 引用可点击溯源

现有资料不足以回答该问题。资料 3 的摘要只描述了 3DCodeVerse 的数据集、编码 harness 与验证记录等构成，并未出现「先保留并认证失败证据再修复」这一流程的表述，因此无法确认该流程的具体内容，更无法判断它能否迁移到多智能体协作的审计环节。资料中能确认的相关部分仅有：

3 提出 3DCodeVerse 生态系统，使编码智能体能够大规模创建可编辑、可验证的 3D 内容，包含可执行 3D 代码数据集、用于空间推理与自动验证的编码 harness，以及面向 3D 编码的实践指导3；
该数据集中每个程序都与其在声明环境中执行所需的源文件和相关资产打包，并附带可用的描述和验证记录3。

其余资料涉及 VLA 因果分析1、KV cache 压缩2、灵巧操作基准4、3D 世界建模5 9、位姿未知的 3D 重建6、OpenBSD 内核漏洞7、视觉-触觉预训练8与 3D 纹理生成10，均未涉及多智能体协作审计或失败证据保留与认证机制，无法为迁移性判断提供依据。

继续追问

3DCodeVerse 的编码 harness 具体如何执行自动验证并记录验证结果？多智能体协作审计环节通常需要保留哪些类型的失败证据？编码智能体生成的可验证 3D 代码，其验证记录能否作为审计证据使用？

参考来源

10 条

1站内Causal Analysis of Robot Foundation Models Enables Efficiency GainsarXiv:2610.20750v1 公告类型：新摘要：视觉-语言-动作（VLA）模型是实现通用机器人操作的一条有前景的路径。视觉-语言模型构成了 VLA 的主干，尽管其内部计算已被广泛研究，但人们对于在 VLA 模型中其感知与语义表征如何被转化为动作却知之甚少。我们在三个前沿 VLA 模型（$\pi_{0.5}$、MolmoAct2 和 MolmoBot）中以机制可解释的方式研究这一问题，分析输入图像与指令塑造动作所经由的因果路径。在三个模型中，激活修补（activation patching）表明，因果相关的信息通过一个狭窄的中后段交叉注意力层带影arXiv cs.ROhttps://arxiv.org/abs/2610.20750 2站内AbridgeKV: Compressing Long Reasoning into the KV Cache of Learned Pause TokensarXiv:2610.20641v1 公告类型：新摘要：长链思维链解码是内存受限的：已生成 token 的 KV cache 随测试时计算量的增加而线性增长。驱逐缓存条目并不能解决这个问题，因为一个从未在条目被移除的缓存上训练过的模型会生成更长的输出，往往达到长度上限。我们转而训练模型压缩自身的输出。AbridgeKV 将每个已完成的生成文本块压缩为少量学习到的 pause token 的 KV 条目。这些是额外的输入 token，具有经过训练的向量嵌入，不产生任何输出。一旦 pause token 编码了该块，AbridgeKV 便释放该块的原始缓存arXiv cs.CLhttps://arxiv.org/abs/2610.20641 3站内3DCodeVerse 让编码智能体生成可验证3D代码我们提出 3DCodeVerse，一个研究生态系统，使编码智能体能够大规模创建可编辑、可验证的 3D 内容。3DCodeVerse 包含大规模、高质量的可执行 3D 代码数据集，一个用于空间推理与自动验证的编码 harness，以及面向 3D 编码的实践指导。首先，我们构建了 3DCodeVerse-2M，一个大规模、经过整理的可独立运行的 3D 可执行代码数据集。我们通过收集开源数据、转换专门表示形式，以及使用编码智能体生成新程序来构建该语料库。每个程序都与其在声明环境中执行所需的源文件和相关资产打包在一起，并附带可用的描述和验证记录。其次，我们开发了Hugging Face Papershttps://huggingface.co/papers/2610.22341 4站内Evo-DexBench: Benchmarking Generalization across Related Tasks for Dexterous ManipulationarXiv:2610.21180v1 公告类型：新摘要：通用灵巧操作要求策略能够仅凭少量目标演示，就将相关知识从相关任务迁移到新任务。现有基准测试往往提供过多的目标演示，同时对源任务与目标任务之间的差异缺乏控制。因此，它们无法清晰区分知识迁移与任务记忆。我们的核心洞见是 Core-Gen 原则。Core 任务是指共享功能交互并提供源知识的相关任务，而 Gen 任务则是同一功能族内仅有少量演示的新颖目标任务。这一设置检验策略能否复用功能交互知识。基于该原则，我们提出了 Evo-DexBench，它同时控制源任务相关性与目标任务暴露程度。该基准包含六个功能arXiv cs.ROhttps://arxiv.org/abs/2610.21180 5站内GeoState 解耦视角的3D世界建模几何状态近期的3D世界模型越来越多地使用几何基础模型（GFM）的特征作为预测性世界状态，从而受益于其丰富的几何先验。然而，这些特征的视角依赖性将场景动态与相机引起的变异纠缠在一起，使得由此产生的状态演化更难预测。我们提出GeoState，一种用于预测性3D世界建模的视角解耦几何表示，它将场景状态演化与相机相关的观测分离开来。具体而言，场景tokenizer将多视角GFM特征聚合为视角解耦的场景状态，几何解码器则使用相机射线对其进行查询。随后，一个自回归世界模型预测未来的场景状态，而相机运动则被单独建模。因此，预测的状态既可以在预测的相机下解码，也可以在外部指定的Hugging Face Papershttps://huggingface.co/papers/2610.22343 6站内MELON: Reconstructing 3D objects from images with unknown poses我们利用两项关键技术来帮助这个不适定问题收敛。第一项是一个非常轻量、动态训练的卷积神经网络（CNN）编码器，它从训练图像中回归相机位姿。我们将降采样后的训练图像输入一个四层 CNN，由其推断相机位姿。该 CNN 从噪声初始化，无需预训练。它的容量非常小，以至于迫使外观相似的图像映射到相似的位姿，从而提供了一种隐式正则化，极大地帮助了收敛。第二项技术是取模损失（modulo loss），它同时考虑物体的伪对称性。对于每张训练图像，我们从一组固定视角渲染物体，仅通过最拟合训练图像的视角反向传播损失。这有效地考虑了每张图像对应多个视角的合理性。在实践中，我们Google AI Bloghttp://blog.research.google/2024/03/melon-reconstructing-3d-objects-from.html 7站内Big Fish: Exploiting a 37-Year-Old Kernel Bug in OpenBSD大鱼。小柜台。Root shell。 Calif 经常发布我们的攻击性研究成果和工作，但除此之外，我们并不太宣传我们所做的防御性工作——协助开源项目进行修复、生成补丁、改进密码学，以及我们为客户执行的内部工程项目。今年早些时候，我们报告了一些漏洞，通常还附带了针对 OpenBSD 的建议补丁。其中一个可以追溯到大约37年前的原始 BSD 源码，其中共享内存附加计数器被定义为有符号的16位 short。反复 fork 一个带有共享内存附加记录的进程，可能会将该计数器推过其最大值32,767，导致其回绕为负值。这种整数溢出可能通过竞态条件导致释放后使用；再Hacker News (front page)https://calif.io/research/big-fish 8站内Spark-0 用触觉预训练提升机器人灵巧操作通用机器人策略受益于大规模视觉预训练，但在接触密集的灵巧操作中往往表现不佳，因为力、柔顺性和初期滑移难以从图像中观测到。我们提出 Spark-0，一个空间对齐的视觉-触觉-语言-动作（VTLA）模型，以两种互补的方式利用触觉。在预训练期间，由触觉手套导出的图像空间接触图，连同来自冻结的 3D 几何教师模型的特征，共同监督视觉 token；这些目标在推理时被移除。与此同时，一条触觉通路编码区域力历史和 3D taxel 状态，以对动作专家进行条件化。因此，单个检查点即可同时支持纯视觉部署和触觉条件化部署。为扩展这一监督，我们构建了 HumanTouch，一Hugging Face Papershttps://huggingface.co/papers/2610.22342 9站内T2-Z：机器人世界模型的环境隐变量测试时优化预测世界如何对动作做出响应，所需的信息超出了可见范围：机器人必须考虑那些既无法直接观测、也未被明确指定的环境因素，从摩擦力和质量等物理属性，到人类定义的环境规则。我们提出 T2-Z，用于环境潜变量的测试时优化，它为机器人世界模型增加一个可学习的环境潜变量，以对世界预测进行条件化。这一紧凑的潜变量在没有任何关于存在哪些环境因素或其取值的监督下，捕捉潜在的环境变化。在训练过程中，T2-Z 在两个阶段之间交替：世界模型优化阶段，固定潜变量并学习跨环境的一般性动作条件动力学；以及环境潜变量优化阶段，冻结世界模型并优化条件潜变量，使潜变量结构纯粹通过世界预测而涌现Hugging Face Papershttps://huggingface.co/papers/2610.22364 10站内SUPRA-TEX 单图生成超对齐3D纹理单图像3D生成旨在为给定的3D网格赋予可重光照材质，同时忠实保留参考图像的视觉细节。现有方法要么在融合不一致的多视图预测时引入伪影，要么难以通过隐式图像特征条件化来保留精细细节。为解决这些挑战，我们提出SUPRA-Tex，其构建原则是将可见材质估计、表面对齐与观测引导的3D补全解耦。这种分工使在有限3D数据上训练的3D生成器能够将容量集中于保留可见证据和补全未观测表面。具体而言，我们首先训练一个基于MLLM的图像编辑模型，在参考视图中预测光照分离的PBR贴图。随后，我们将这些贴图投影到可见表面，并使用预训练的材质VAE编码器将其编码为原生观测latentHugging Face Papershttps://huggingface.co/papers/2610.22352

AI 答案正在检索与综合…

站内相关条目

10 条 · 点击可看原文全文与中文译文

返回信息流

具身

Causal Analysis of Robot Foundation Models Enables Efficiency Gains

研究对三个前沿视觉-语言-动作（VLA）模型做机制性因果分析，发现动作专家仅通过中后段少量交叉注意力层（动作条件接口）接收关键信息，且物体选择与空间信息分层存储。据此将 MolmoBot 的条件层从 36 层减至 3 层，推理 FLOPs 降 33%，3000 次评测成功率基本持平，并已在真机部署验证。

具身智能·arXiv cs.RO·4 天前

#vla

部署

AbridgeKV: Compressing Long Reasoning into the KV Cache of Learned Pause Tokens

AbridgeKV 训练模型把已完成的长推理文本块压缩进少量可学习 pause token 的 KV 条目，从而释放原始缓存，后续 token 改为关注这些 pause token。在 AIME 等 446 道竞赛题、32K 生成下，仅保留四分之一缓存即可匹配全 KV 模型精度，vLLM 中单序列缓存缩小 3.5 倍、H100 完成速度提升 3.2 倍。

部署与算力·arXiv cs.CL·4 天前

#kv-cache

3DCodeVerse 让编码智能体生成可验证3D代码

3DCodeVerse 是一个面向编码智能体的3D内容生成生态，包含200万条可执行3D代码数据集、多智能体DAG生成与验证框架，以及3D编码实践指南。它通过执行检查、空间测量和视觉反馈自动评估修正程序，微调后开源模型3D编码能力显著提升，其框架在人类评测中对Claude Design取得90%胜率。

Agent·Hugging Face Papers·4 天前

#agent

具身

Evo-DexBench: Benchmarking Generalization across Related Tasks for Dexterous Manipulation

Evo-DexBench 是面向灵巧操作策略泛化能力的新基准，基于 Core-Gen 原则控制源任务相关性与目标任务样本量，含 6 类功能族 30 个任务、1248 条多模态演示。实验显示最优方法平均成功率仅 38.5%，揭示现有方法难以迁移功能交互知识，为评估跨相关任务泛化提供标准化平台。

具身智能·arXiv cs.RO·4 天前

#robotics

行业

GeoState 解耦视角的3D世界建模几何状态

GeoState 提出视角解耦的几何表示，将场景状态演化与相机观测分离：场景分词器把多视角几何基础模型特征聚合为解耦场景状态，几何解码器按相机射线查询，自回归世界模型预测未来状态并单独建模相机运动。在 Waymo 上超越既有 3D 世界模型，支持跨视角一致查询并零样本泛化到 KITTI 和 nuScenes。

行业落地·Hugging Face Papers·4 天前

#3d-world-model

其他

MELON: Reconstructing 3D objects from images with unknown poses

Google Research 提出 MELON，一种无需相机位姿估计、预训练或复杂训练流程的 NeRF 方法，可从 4-6 张无位姿图像中同时推断物体中心相机位姿并重建 3D 物体，解决了位姿与重建互为前提的"鸡生蛋"难题及伪对称导致的局部最优问题。

其他·Google AI Blog·4 天前

#nerf

政策

Big Fish: Exploiting a 37-Year-Old Kernel Bug in OpenBSD

安全研究者披露 OpenBSD 内核中一个存在 37 年的漏洞，可被利用实现本地提权。该漏洞源于早期代码逻辑缺陷，影响长期被视为高安全性系统的 OpenBSD，提醒人们长期未审计的遗留代码仍是重大风险。

政策利好·Hacker News (front page)·4 天前

#security

具身

Spark-0 用触觉预训练提升机器人灵巧操作

Spark-0 是空间对齐的视觉-触觉-语言-动作模型，预训练时用触觉手套接触图与 3D 几何教师监督视觉 token，推理时可去掉；同时发布 1000 小时 HumanTouch 数据集与 SparkArena 基准。保留触觉监督使纯视觉成功率从 52.5% 升至 71.7%，说明触觉可作为可扩展的预训练监督信号。

具身智能·Hugging Face Papers·4 天前

#robotics

具身

T2-Z：机器人世界模型的环境隐变量测试时优化

T2-Z 为机器人世界模型引入可学习的环境隐变量，在测试时仅凭少量交互轨迹优化该隐变量，使模型适应未见过的摩擦、质量等环境因素。在 7 个仿真设置和 4 个真实任务中，物体预测误差从 15.20 降至 7.00，动作成功率从 33.73% 提升至 72.96%。

具身智能·Hugging Face Papers·4 天前

#robotics

行业

SUPRA-TEX 单图生成超对齐3D纹理

SUPRA-TEX 提出解耦可见材质估计、表面对齐与观测引导补全的单图3D生成方法，用MLLM编辑模型预测PBR贴图并投影为原生观测潜变量，再由交错流Transformer补全未观测区域，实现所见即所得的高保真纹理，仅用公开数据即达SOTA。

行业落地·Hugging Face Papers·4 天前

#3d-generation