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。

Hugging Face Papers 收录的一篇技术报告(2026年11月15日发布)提出 VoxMel:无需分词器、直接对梅尔频谱做自回归建模的 TTS 框架,试图绕开复杂神经编码器带来的保真度上限。目前该信息来自论文摘要,尚未确认是否已上线产品或通过同行评审。

GitHub 于 2026 年 11 月 17 日在仓库 Insights 标签下新增 Repository insights 页面,集中展示 Copilot 代码审查的四项结果指标。这意味着 Copilot 代码审查不再只是“提出建议”,其反馈是否被采纳开始进入可量化的仓库管理视图。

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。

arXiv 上一篇新论文提出 SPLICE,把自然语言提示词优化从“整段改写”改成“按块编辑、带约束的组合搜索”,试图解决全局改写不安全、候选坍缩和提示词膨胀三个老问题。目前仅为论文摘要信息,尚待全文实验核验。

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。

Hugging Face Papers 收录的 Calpha 报告显示,团队让 Qwen3.5-9B 基于自身残基状态调用预训练结构头输出单链蛋白结构,试图把蛋白折叠能力并入通用大模型;但目前只完成第一步,复杂预测和语言推理影响结构仍未实现。

arXiv 2026年11月17日发布的一篇综述指出,乳腺癌检测正从单一影像走向多模态融合,AI 可在数据、特征、决策三个层面整合乳腺X线、超声、MRI 等15种以上模态,但数据集稀缺和外部验证不足仍是落地障碍。

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。

GitHub 于 2026 年 11 月 17 日扩展 Copilot Fusion,新增模型、登陆 Web、移动端和 Visual Studio,并公开 Terminal-Bench 4.1 成绩单;这为开发者选择多模型调度工具提供了可横向比较的性能与成本依据。