
机器人没做成,是忘了上一步,还是手没跟上?
Mind2Act World 用三组任务拆解机器人操作失误,让“会想”和“会做”分别接受检验。
按入选日期排列;详情页同时标注论文原始日期和 arXiv 编号。


Mind2Act World 用三组任务拆解机器人操作失误,让“会想”和“会做”分别接受检验。

一项针对会议和期刊评审的研究,按具体批评意见衡量多位审稿人发现的问题有多重合。

Depth Pro 2 将单图和视频交给同一个网络,在原始分辨率上估计每个像素的实际距离。

AltRA-Test 允许不同样本由不同人标注,再检验引入模型后是否仍保有人类评分之间的共识。

EgoCaptioner 把全段背景与带时刻的操作步骤配在一起,帮助模型区分相邻的短动作。

TwinLab-Bench 用真实实验记录构造可交互的任务环境,再将智能体的报告与隐藏的记录对照。

WeMM-Video 同时处理声轨和画面,并分别测试有声、静音与纯音频输入。

AFFECT 在训练中扰动动作,检查模型预测的画面变化能否对应真实记录。

PlayCraft 从游戏代理的重复试玩记录中寻找关卡过易、过难或缺乏进步空间的地方。

VETO 在微调时抑制仅靠题中文字取得高分的捷径,检查模型是否真正使用影像。

SimAudit 审查三个机器人仿真基准,找到 61 处判定器缺陷。

Accord 利用相邻视角共同看见的区域,对不同画面的深度尺度进行校正。

Repo-Premium 重新比较向量检索与关键词检索,把查询里是否含有代码标识符也纳入分析。

VODA 改变三维高斯表示的分割训练方式,同时检查被移除物体留下的深度误差。

RoughCut-Bench 把画面粗剪与口播整理分成两种任务,同时检查剪辑计划与成片。

DrawScore 借用工程三视图来评估生成的零件,让体积很小的局部错误也能影响评分。

ECA 在训练时观察每轮检索带来的新证据,给长串搜索中的有用步骤单独记分。

StrideWorld 先固定场景与步幅的参考,再检查交互视频中的墙体、相机和行走路线是否一致。

WorldRuler 把游戏规则、依赖关系和对象状态一起保存,再据此生成后续画面。

Movie2Game-Bench 对 22 部电影设置 658 项来源参照,检查原作如何进入玩家操作。

十款模型在三套商品选择任务上接受测试,研究分别记录了选得对不对、自己说有多确定。

DWD 保留原来的去噪路径,在采样末尾增加一个把特征变成最终像素的输出头。

RICoT 按顺序阅读文档并保留简短记录,处理跨页扫描流的分割。

FVScore 把提示词和画面应遵守的条件拆成命题,用沿时间变化的证据来评分。

NexSight 建立 310 个可回查的长视频任务,用标注证据对照模型自己找证据的表现。

ALIVE 训练流式视频模型在主动提醒、保持安静和请求补充信息之间作选择。

BLIP-Live 同时衡量有用提醒的及时程度和误触发,防止靠频繁插话“抢时间”。

Heave-Ho 让机器人依靠局部观察协调动作,由领队用语音传达接下来的协作动作。

FMT 重新安排像素的解码顺序,让一层中互不依赖的数据可以同时还原。

FastFrames 的性能剖析发现,解码和缓存更新占了受测推理流程一半以上的延迟。

TCP4D 用同一种时空场景表示追踪已经发生的动作,也预测接下来的工具中心轨迹。

一项游戏实验固定模型权重,允许代理安排试验、记录经验,再从更新后的文字笔记继续练习。

HubEgo-100K 首次发布汇集 10124 小时第一人称视频,还同步记录了头部运动信息。

VisualArtifactSpec 分开评价交付要求和作品质量,覆盖演示文稿、静态图、动画视频与网页。

VideoNexus 将查看音视频细节与决定下一步去哪儿找分开,规划器保留带时刻的简短证据。

研究者逐项核对开放权重模型的技术报告,找出哪些新颖性主张配有开启和关闭该改动的对比。

DominoBench 用成对的物理场景测试视觉语言模型,两幅图间的细小差异足以改变结果。

Accelerate Bench 为 32 个 CPU 优化任务明确计时边界,同时保留独立的正确性检查。

GlyphAtlas 为目标文字单独保留笔画参考,用另一张图指定它们在最终画面中的位置。

SWE-CoWork 把软件任务分散到不同角色和工作记录里,让程序通过私有可执行测试验收。