标签：训练

SP-HLM：用五个人体姿态点驱动人形机器人全身移动操作

alphaXiv 收录的论文 SP-HLM 提出一种“稀疏姿态接口”，只显式指定骨盆、双腕、双踝五个关键姿态，再结合学习到的动作先验补全全身运动，让上层视觉语言动作模型（VLA）从预测全身动作中解放出来；论文称在仿真与真机上相对现有方法有提升。

论文 AW-0 提出“智能体世界动作模型”，把代码、视频和动作三条生成流放进同一架构联合预测，在 8 个真实双臂操作任务上平均评分 71.1%，比 DreamZero 高 25.1 分。这说明技能复用与物理预测可以在一个模型里衔接，但论文还未转化为可用产品。

Hugging Face Papers 于 2026 年 10 月 19 日收录论文 PVBench，提出用物体级物理量测（6D 位姿、度量尺度、运动学、守恒律残差等）评价视频生成模型“物理上是否可信”，而非只看画面好不好看。

Hugging Face Papers 收录的论文 TextRIRO 提出用真实图像自身构造配对监督来训练场景文字编辑模型，试图绕开合成数据带来的真实感差距；这对依赖文字修改的图像编辑与 OCR 训练数据生产有参考价值。

alphaXiv 于 2026 年 10 月 20 日发布论文 LocaLeJEPA，它用局部欧氏分布匹配替代 LeJEPA 的全局高斯目标，使 JEPA 自监督学习更贴合数据自身几何结构；在 ImageNet-1K 上，线性探测和 k-NN 分类表现均有明显提升。

arXiv 上出现一篇新论文，提出 DataPraxis 任务合成框架，通过持续验证的工作区演化生成 5000 条分析轨迹，并用其训练出 27B 和 35B-A3B 两个模型，其中 27B 在 DABStep 和 JobBench 上的分数分别为 55.11 和 51.9。

2026 年 10 月 19 日，Hugging Face Papers 收录论文 PhysSkin++，提出从静态几何中自监督学习神经蒙皮场，无需逐物体训练即可构建紧凑形变子空间，目标是让实时物理动画泛化到不同 3D 形状与空间离散方式。

一篇发表于 Hugging Face Papers 的论文摘要指出，同一批约 5.3 万条提示用两种“不安全”定义分别标注、训练出的十个护栏模型，在同一基准上的分数差距可达 23 倍，说明部分安全评测衡量的其实是标签里的政策定义，而不是模型本身的检测能力。

Hugging Face Papers 于 2026 年 10 月 15 日收录论文摘要，提出基于 LIBERO 的新基准 LIBERO-Industry，用 216 个任务系统考察产品变体、物料流动、有限执行窗口和几何公差等工业约束对通用机器人策略的影响。

alphaXiv 收录的论文 HAF-VLA 提出分层动作流框架，让预训练 VLA 模型按“移动与头部—腰部—全身操作”三阶段生成人形机器人动作，在六个真实机器人任务上的平均归一化得分高于基线 π0.5 约 15 个百分点。