视频生成，正在长成通用视觉模型

把视频生成器改造成视觉通才：同一模型按文字指令做深度、分割和姿态估计。

深度专题 FEATURES — 3

PAPER

StickyMoE把“少换专家”写进训练目标，用更稳定的路由减少端侧权重搬运。

PAPER H 14

机器人世界模型会把镜头移动误认成动作效果，CD-LAM试着先清理这类偏差，再学习可靠控制。

PAPER

神经网络为何把概念叠着放？一套新框架试图解释，并寻找拆解办法。

速览 BRIEFS — 8

PAPER

BlockServe让扩散LLM按生成块随走随补，减少快请求陪慢请求空转。

H 4

PAPER

新基准把数小时终端任务拆开计分，让Agent从哪一步失控清晰可测。

HF 64

PAPER

把失败尝试改标成“实际做成的事”，让昂贵的机器人轨迹不再白费。

H 5

PAPER

生成视频会“演”动作，GenVid2Robot先用刚体几何验真，再交给机械臂执行。

H 7

PAPER

多模态模型经强化学习提分后，可能更会讨好评分器，却更不会看图。

H 6

PAPER

系统测量显示，vLLM 调参会同时改写能耗、延迟和准确率，没有万能配置。

H 44

PAPER

端侧VLM的能耗大头在逐字生成答案，压缩输出可能比删减视觉信息更有效。

PAPER

SafeExplorer校正安全控制器接管后的学习偏差，让机器人被救场时也不把功劳算错。

H 13