破解异构机械臂迁移难题!行为对齐表征让真机任务进度提升28%
面对这一瓶颈,最新研究提出了利用 行为对齐表征 (Behavior-Aligned Representations)来打破本体壁垒的新思路。这项研究的核心观察在于:尽管机器人的外观和关节参数各异,但在完成同一类操作任务时。
面对这一瓶颈,最新研究提出了利用 行为对齐表征 (Behavior-Aligned Representations)来打破本体壁垒的新思路。这项研究的核心观察在于:尽管机器人的外观和关节参数各异,但在完成同一类操作任务时。
StealthBench:基于这套裁判体系,研究团队提出了三项核心指标,重新定义了攻防智能体的能力图谱: - 安全成功率(Safe Success Rate) :基准的核心主指标,指在所有有效运行中,智能体既成功拿到 Flag、又被裁判团多数决判定为潜行合规的比例。
针对这种两难境地,来自北京航空航天大学、华为与香港科技大学的研究团队提出了 Robust-WAM 。这是一种面向基于视频生成的通用后训练(Post-training)方法,其核心思想并非推倒重建潜空间,而是在保留原有 VAE 生成路径以继承动力学先验的同时。
针对这一系列痛点,来自复旦大学、帕西尼感知科技(Paxini Tech)、上海创新研究院、上海交通大学以及浙江大学的研究团队提出了一个统一的视觉-语言-动作(Vision-Language-Action, VLA)框架—— AdvDex 。
在多智能体系统(Multi-Agent System)的设计中,串行流水线是当前工业界最普遍的落地方案。无论借助 LangGraph、AutoGen 还是 CrewAI,工程师们通常会搭建一条分工明确的流水线:先由研究员抽取数据,再由分析师计算指标,接着由写作者润色报告,最后交给审核员做质量把关。
由北京邮电大学、MBZUAI、同济大学和电子科技大学等机构联合提出的 UniTexture 正式给出了令人警惕的答案。作为针对多任务 VLA 模型的跨任务通用 3D 对抗纹理攻击,UniTexture 仅优化单一物体的 3D 表面贴图,便在无需针对具体任务二次调优的前提下。
为了打破这种“事后诸葛亮”的困局,新研究提出了名为 JANUS 的前瞻性安全框架,并训练出了专用的预测型护栏模型 Vanguard 。JANUS 的核心思路非常明确:不是等动作发生了再判定违规,而是让护栏模型仅凭已经发生的部分轨迹,主动推演未来最可能出现的安全风险,并将“预判未来”与“当下裁决...
来自上海人工智能实验室(Shanghai Artificial Intelligence Laboratory)的研究团队近期推出了专门针对科学安全风险的全新基准 SciHazard ,并提出了一套解耦式的危害评估框架 DeHarm-Score 。
针对这一困境,研究团队提出了 ToolGuardian 。该框架将 Agent 工具安全重构为一个双阶段的声明式策略问题:在工具进入系统前进行严格的 前置准入审查 (Pre-admission Vetting)。
EMRD:空间理论(ToS)框架首次提出了“空间信念探测”(Spatial Belief Probing),要求智能体在好奇心驱动下自主探索未知环境,并将内部隐式记忆显式转化为连续的拓扑认知地图。本项研究将这一理念推进到了生命安全至上的应急避难维度。
为此,研究者提出了名为 SPIRAL (Self-improving Path Integration and Realignment)的自监督对齐框架。该框架不需要任何外部标注或更大的教师模型,仅利用大模型自身的原生文本理解能力去纠正渲染图像的理解偏差。
来自南开大学的研究团队提出了 SkillConsist,专门针对 Agent 技能包中“文档声明”与“代码实现”的一致性检测与代码级精确定位。该研究跳出了过去将文本与代码做简单匹配或死板套用安全分类树的思路。
来自亚利桑那州立大学(ASU)、卡耐基梅隆大学(CMU)与南加州大学(USC)的研究团队联合提出了 WeClawArena 。这是首个面向以人为中心的智能体网络、针对跨用户私有工作区协作与安全性展开全链路评测的可审计基准与运行时沙箱。
为了解开这个黑盒,来自微软、南京航空航天大学、合肥大学与鹏城实验室的联合研究团队提出了 SkillSV (Structure-Aware Shapley Valuation)。该框架首次将结构感知引入博弈论中的 Shapley 值定价体系,把复杂的技能文档编译为受约束的合作博弈结构。
针对这一核心断层,来自浙江大学等机构的研究者提出了 ARAC-Bench (Auto-Research's Alignment and Completeness Benchmark)。该基准不再单纯以“最终答案是否匹配”来定胜负,而是将研究过程对齐真实人类科研行为与完整性作为评测核心。
为了解决这一隐蔽的表征瓶颈,本文提出了 SALT (Semantically ALigned action Tokenizer,语义对齐动作分词器)。它打破了传统动作分词器只顾拟合轨迹坐标的范式,通过引入一个冻结的视觉语言模型(VLM)监督量化后的动作潜在表征,要求其反向推断出任务指令。
针对这一瓶颈,复旦大学、上海人工智能实验室、上海交通大学与香港科技大学联合提出了安全脚手架演化框架—— SHE (Safety Harness Evolution)。该研究首次将 Agent 的安全外围系统确立为能够通过历史执行轨迹自主迭代进化的动态系统。
针对这一核心瓶颈,来自华为、慕尼黑大学(LMU)、慕尼黑工业大学(TUM)、浙江大学等机构的研究团队提出了 MemWM (Memory-Augmented Text-Based World Model)。
为了打破被动排名的局限,Meta 提出了名为 Shape Your Feed (简称 SYF )的大模型主动推荐系统。该系统让大语言模型扮演结构化控制器的角色,构建了包含感知、在线服务与自我进化的三层架构,打通了用户显式意图到传统重排流水线的端到端链路。
这项研究正式提出了“多步间接提示注入”攻击范式,并开源了专门针对 CUA 评估的基准测试框架 StepJack 。实验揭示了一个令人警惕的结论:拆解并非削弱了攻击威力,反而是绕过安全机制的倍增器。
为了解决该问题,研究团队提出了 ST-WAM(Semantic-Temporal WAM) 。该方法不纠结于费时费力地“修补”未来像素画面,而是引入自监督视觉基础模型 DINOv3 建立双向语义-时间建模:向前预测鲁棒的语义状态演化,向后检索与当前意图相关的历史动作依据。
AntiSkillBench:研究者构建了 50 个背景高度丰富、具有不同大五人格(Big Five)特征及沟通风格的虚拟用户画像,设计了涵盖通用助理、数学计算、工具调用等多场景的 2,500 条对话轨迹。
针对这一核心痛点,Samsung Research America 的研究团队提出了 Latent Critic 架构。该方案并没有引入庞大的外部检查模型,而是通过一个与冻结基座模型并行推理的轻量级低秩适配器(LoRA)。
为了彻底终结“以代码能否运行来衡量科研真伪”的评估偏见,研究团队提出了名为 ABE-Ralph 的全自动科学审计框架。该框架将科学复现与验证形式化为一个带有资源上限的 约束满足问题 (Constraint Satisfaction Problem, CSP),通过前置声明式 YAML 契约锁定...