标签： 训练

Hugging Face Papers 收录的论文 EmoReward 提出一种自进化奖励校准机制，让视频生成模型在强化学习后训练中根据具体情感提示动态分配多种奖励信号的权重，不再依赖固定奖励。它针对的是情感表达难以量化、容易被奖励钻空子的问题。

Hugging Face Papers 收录的论文提出 H2RB 框架，试图用人类演示数据帮助预训练视觉-语言-动作（VLA）模型适配目标机器人，减少对昂贵机器人专用数据的依赖。

arXiv 2026年11月5日发布的一项研究提出 ReScopeBench 基准，用18个交互环境测试AI智能体如何获取、复用和修正经验，发现留存经验能提升任务表现，但智能体难以随环境变化及时更新经验。

雷军在微博发布小米机器人在公寓场景做家务的测试视频，其背后依赖 Xiaomi-Robotics-1 具身基础模型，单次测试连续运行超过 30 分钟、覆盖 3 个房间、完成 50+ 项任务，展示长程任务的连贯执行能力。

一篇 2026 年 10 月发布在 alphaXiv 的论文，尝试用稀疏自编码器（SAE）打开端到端自动驾驶模型的“黑箱”，在简单单摄像头规划模型上把内部激活对应到路线意图、车速和刹车行为。它更像一次机制可解释性的方法验证，而不是已落地的产品功能。

alphaXiv 上的一篇论文提出 3D World Simulator，用统一的 3D 体素隐表示联合预测机器人操作场景的外观、几何与触觉，声称可在 50Hz 下做长时程多模态推演。这一方向值得关注，因为它试图解决 2D 视频世界模型难以跨视角保持一致的问题。

社交平台上流传的一则帖文推广 joinvoicedata.com，称用户通过录制语音、参与音频审核任务可为训练 AI 模型提供数据，英语对话类任务最高约 40 美元/小时。这类“为模型供数据换报酬”的模式正在成为 AI 数据供应链的一环，值得留意其真实收益与合规边界。

针对通用大模型是否击穿具身智能的争论，智元在2026年AI WAVE上给出软硬件全栈路线，并推出Worken生产力度量衡，试图用真实上岗数据回答机器人到底创造了多少有效劳动。

alphaXiv 收录的论文提出 GSBR 方法，用“支持区距离”替代行为克隆的强约束，在四个机器人基准的 19 个任务上把基础策略平均成功率从 33% 提升到 95%。