SALA 提出语义对齐潜在动作,双轴扩展具身基础模型

Hugging Face Papers 收录的论文 SALA 提出用语言描述对齐人类与机器人视频中的潜在动作,让具身基础模型能同时从海量通用人类视频和任务专用视频中受益。

Hugging Face Papers 收录的论文 SALA 提出用语言描述对齐人类与机器人视频中的潜在动作,让具身基础模型能同时从海量通用人类视频和任务专用视频中受益。

arXiv 上的一篇新论文指出,视觉-语言-动作模型(VLA)在机器人数据上微调后会严重遗忘原视觉语言模型(VLM)的语义与视觉理解能力,作者提出不重新训练、直接合并两者参数的方法来同时保住动作预测和语言能力。

Hugging Face Papers 上的一篇论文摘要称,对比实验显示,在高质量数据有限时,Latent Feedback 比把数据多训练几轮更能节省算力和数据,最多可省 48% 计算量和 47% 唯一数据,但该结论目前仅基于摘要,全文实验未核验。

GitHub 于 2026 年 11 月 17 日为 JetBrains IDE 发布 Copilot Ignite 更新,带来云沙箱、远程访问、浏览器操作和设备端语音听写等公开预览功能,同时调整了企业策略与代码审查机制。

Hugging Face Papers 收录的论文 MovieRoll 提出“基座到蒸馏”的流式长视频生成框架,试图解决训练时长之外的质量维持与缓存成本问题。据摘要,其蒸馏版在 HeliosBench 上 60 秒评测中总分最高。

arXiv 11 月 17 日收录的论文 DECOUPAGE,提出把视觉与声音拆成两条可独立定时的轨道,用“导演式”唇同步机制控制长镜头对话视频,目标是在 15—60 秒的多镜头剧本驱动生成中减少静默段乱出语音、无声角色乱动嘴的问题。

2026 年 11 月 17 日,GitHub Copilot 应用在 Microsoft Ignite 期间扩展了三项能力:Azure DevOps 仓库接入进入公测,浏览器操作进入公测,GitHub Enterprise Server 支持转为正式可用。这意味着 Copilot 开始从编辑器助手变成能串联…

一篇 Hugging Face Papers 论文提出 ScaleVLA,把 552B 参数的 DeepSeek-V4.1-Flash 视觉语言模型接到可训练的动作 DiT 上,并在统一设置下比较 2B 到 552B 规模在机器人控制任务上的表现,摘要称大模型在样本效率、泛化和精细操作上都有提升。

Hugging Face Papers 收录了一篇关于 Sage S2.1 Flash 的技术论文摘要,该模型是一款 3200 亿参数的通用混合专家(MoE)模型,主打科学证据推理与交互环境中的任务执行,在多个智能体基准上表现突出。

2026年11月16日,华为云发布首款昇腾原生具身世界模型CloudRobo WM1.2,谷歌、DeepSeek等推出新模型与API,OpenAI上线ChatGPT Wallet打通支付;另有报道称黄仁勋可能重返英伟达任CEO,带动暗盘股价一度涨超4%。