用 HF Jobs 与 Storage Bucket 实现跨机 Async GRPO LoRA 训练
Hugging Face 博客介绍如何用 AsyncGRPOTrainer 的 LoRA 适配器同步，在 HF Jobs 上把训练与 vLLM 推理拆到不同机器，通过挂载 Storage Bucket 传递几 MB 的 rank-1 适配器，无需 NCCL。
推荐理由：原文给出跨机异步 GRPO 训练的可复用工程方案与五轮调优数据，读者可据此判断瓶颈定位与提速路径。
数据与遥操作
全部主题追踪数据与遥操作的研究、可复用工程方法与真实部署证据。
106条精选
最新精选
第 41–60 条 · 共 106 条HF blog精选AI 评分6262
qbitai精选AI 评分7878 李飞飞 World Labs 发布多模态世界模型 Atlas
李飞飞 World Labs 发布多模态世界模型 Atlas，称其可仅凭一张图片生成像素级相机控制的图像和视频，最高输出 1 分钟、1440p 视频，并基于一张到数十张输入图像重建真实场景、输出显式 3D 表示。
推荐理由：Atlas 把相机控制生成、3D 重建与 Real-to-Sim 串成一条路径，可据此判断世界模型在机器人训练数据上的落点。
HF blog精选AI 评分6262 Qwen-Drive-1.0：面向自动驾驶的视觉语言基础模型
Qwen-Drive-1.0 是一个面向自动驾驶的视觉语言基础模型，在统一框架内整合 3D 感知、视觉问答与运动规划。模型保留预训练 VLM 架构，外接 BEV 感知头联合执行 3D 目标检测、语义占用预测和 BEV 地图分割，规划专家基于共享 VLM 表征生成未来自车轨迹。
推荐理由：Qwen-Drive-1.0 把 3D 感知、视觉问答与运动规划统一在一个 VLM 框架内，并给出分阶段训练配方，可了解自动驾驶基础模型的构建思路。
HF blog精选AI 评分7474 ZimaBlue：通过可扩展视频预训练演进可泛化世界动作模型
ZimaBlue 提出从大规模自我中心视频学习可泛化世界动作模型（WAM）的三阶段训练方案，先在大规模人类与机器人自我中心视频上做因果具身视频预训练，再通过视频-动作中期训练将视觉动态对齐到异构机器人轨迹，最后针对目标机器人做专门化。
推荐理由：论文给出从大规模自我中心视频学习世界动作模型的三阶段方案，并报告零样本操作成功率随数据规模的变化。
HF blog精选AI 评分6262 H3-World：把语言理解变成世界控制，将 33B MiniMax-H3 视频生成器改造为交互式世界模型
H3-World 提出一个框架，把 33B 的 MiniMax-H3 视频生成器改造成交互式世界模型，将语言指令转为精确、时间对齐的角色与相机控制，且不引入专门的动作模块。
推荐理由：论文给出把 33B 视频生成器改造成交互式世界模型的具体路径，含样本量与可训练参数比例等关键条件。
HF blog精选AI 评分6060 DroneCATS 评测多模态 LLM 作为无人机视觉语言动作智能体
论文提出 DroneCATS-Agent 与 DroneCATS 基准，把多模态大模型直接放入无人机控制回路，动作空间仅由提示词声明，无需微调或函数调用模式。评测覆盖接近可见目标、跟踪移动目标、搜索视野外目标和多无人机编队指挥四项能力，模型规模下探到 2B。
推荐理由：DroneCATS 把多模态模型直接放进无人机控制回路，用四类任务对比前沿与 2B 小模型，可看到空间感知与动作协议之间的落差。
HF blog精选AI 评分7171 LightNav-0：用 VLM 空间智能实现通用具身导航
LightNav-0 是一个紧凑的通用具身导航模型，通过统一指向 token 与动作 token 化调用预训练 VLM 的空间推理能力，在 10 个公开导航仿真设置上取得单目成功率最优。
推荐理由：论文给出统一 token 接口把 VLM 空间能力接到导航动作上，可了解通用导航模型如何跨任务与本体复用。
HF blog精选AI 评分7171 VLAct：面向视觉语言动作模型的表征中心持续预训练
论文提出 VLAct，一种面向 VLA 的 VLM 骨干，在任务微调前用多本体机器人数据做持续预训练，通过保留 VLM 先验、多头连续动作协同监督和部分统一的跨本体动作布局来共享动作语义。
推荐理由：论文给出在固定机器人数据预算下以表征为中心的持续预训练路线，并附开源数据与16卡训练配置。
HF blog精选AI 评分7171 PonderPounce：用预训练 MLLM 作为机器人控制的回合上下文引擎
PonderPounce 将预训练 MLLM Ponder 作为 System 2 上下文引擎、快速动作模型 Pounce 作为 System 1 控制器，两者在解耦时钟上端到端联合训练，无需专门记忆模块或桥接预训练。
推荐理由：原文给出 PonderPounce 在 RoboMME 上的成功率与训练数据倍数，可据此判断双系统记忆方案的效果量级。
HF blog精选AI 评分6262 Code-as-World：用可执行代码表示物理世界，为视觉语言模型提供物理推理监督
论文提出 Code-as-World，将物理环境的组成、动态演化和视觉外观表示为可执行代码，从而为视觉语言模型提供紧凑、可量化、可控的世界抽象。作者构建了受溯因推理启发的智能体发现循环，让智能体提出、执行、渲染、验证并迭代改进可执行世界假设，并用验证后的可执行世界为定量物理推理训练提供可扩展监督。
推荐理由：论文提出用可执行代码表示物理世界，为视觉语言模型提供可扩展的物理监督，读者可了解其智能体发现循环与基准表现。
HF blog精选AI 评分6262 TacForcing：用执行时触觉反馈的流式动作生成框架
TacForcing 是一个流式动作生成框架，用流式动作专家和执行感知触觉注意力（EATA）在执行过程中引入实时触觉反馈，以改善接触密集操作。论文指出，基于分块预测的视觉语言动作模型在执行前采集观测、预测完整动作块，导致执行期间触觉条件滞后，而现有触觉反应方法多依赖独立的高频控制器，增加架构与训练复杂度。
推荐理由：论文提出在执行中引入触觉反馈的流式动作生成框架，并给出仿真与真机任务的成功率对比。
HF blog精选AI 评分6262 PAWBench：当前视频生成模型距离概率对齐的世界模型还有多远
论文提出概率对齐这一分布层面的世界模型要求，并发布 PAWBench 基准与 PAWEval 协议，把重复生成的视频 rollout 转成物理行为的经验分布。在 50 个场景和 11 个现有系统上，没有模型能同时稳定匹配参考概率并覆盖有效行为范围。作者随后测试语言提示、初始噪声采样和模型训练能否改变模型的预测分布。
推荐理由：论文把世界模型评估从单条视频合理性推进到行为分布层面，并给出 PAWBench 与 PAWEval 的具体评测协议。
HF blog精选AI 评分6262 UrbanGround：基于香港全域三维数据的真实尺度城市智能体导航沙盒
UrbanGround 是一个基于香港全域三维地理数据构建的真实尺度城市副本沙盒，用于测试多模态大语言模型智能体能否在闭环第一人称视角下完成可靠导航与空间推理。
推荐理由：UrbanGround 用香港全域三维数据搭建可闭环交互的城市沙盒，读者可了解 MLLM 智能体在长程城市导航中的能力边界。
HF blog精选AI 评分7171 Zero-WAM：以人类视频上下文建模世界与动作，实现开放任务泛化
Zero-WAM 提出一种因果视频-动作模型，通过上下文人类视频引导执行训练中未见的操作任务。作者用自动流程将任务采样的机器人轨迹转换为语义匹配的人类视频，构建 HumanGen 数据集，包含 8.6K 个任务、74.2K 对人类-机器人上下文学习配对，并提出上下文未来片段预测（IFP）目标以抑制已见任务的捷径。
推荐理由：论文给出以人类视频作为上下文任务说明的跨任务泛化方案，并公开数据集与仿真对比结果。
qbitai精选AI 评分8080 Skild AI 发布机器人基础模型 S1，上下文学习支持 10 分钟长程任务
北美具身初创 Skild AI 发布机器人基础模型 S1，主打上下文学习，无需后训练或微调，只看一段人类示范视频即可完成煎饼、冲泡咖啡、给植物换盆、设备组装等长程任务，上下文学习任务长度最长 10 分钟。
推荐理由：Skild AI 的 S1 把机器人上下文学习拉到 10 分钟长程任务，并给出与语言提示 VLA 的成功率对比数据。
qbitai精选AI 评分7878 原力灵机DM0.5登顶RoboDojo并全面开源
原力灵机DM0.5在RoboDojo具身评测中以综合得分24.90、平均成功率19.34%登顶，Memory维度得分47.74，Cover Blocks任务三次随机测试成功率均为100%。
推荐理由：原力灵机DM0.5登顶RoboDojo并开源权重与训练框架，读者可了解其数据、架构与推理加速的具体做法。
HF blog精选AI 评分6565 WorldToken 机器人模仿学习实验记录数据集发布
Hugging Face 上线 mepi31415/WorldToken_Experiment_Records 数据集，公开 WorldToken: Time-First Sequence Modeling for Robotic Imitation Learning 的训练日志、配置、评估结果与 rollout 视频。
推荐理由：WorldToken 论文的实验记录与检查点打包公开，读者可据此复现多任务控制与长历史实验的表格结果。
HF blog精选AI 评分7171 τ_0-VLA：世界模型引导测试时计算的分层机器人基础模型
τ_0-VLA 是一个分层视觉语言动作模型，把高层子任务生成建模为可扩展算力的推理问题，通过世界模型引导的测试时计算在需要时搜索备选子任务再输出。高层策略利用执行记忆生成子任务，低层策略在多种机器人本体上执行，模型基于 40,115 小时异构真实数据与多模态联合训练。在域内和分布偏移设置下，增加测试时计算量可提升下一子任务预测准确率，并转化为长时程操作任务的闭环成功率提升。
推荐理由：论文提出用世界模型引导的测试时搜索为高层子任务决策分配更多算力，并给出跨本体与分布偏移下的闭环结果。
qbitai精选AI 评分7878 Generalist AI 发布机器人基础模型 GEN-1.5，看 3-12 秒示范即可学会新任务
Generalist AI 发布机器人基础模型 GEN-1.5，主打 One-shot Learning，机器人看完 3-12 秒动作示范后无需梯度更新或微调即可执行新任务，还能把两段演示拼接成连续任务。
推荐理由：GEN-1.5 把动作示范当作上下文提示，读者可据此了解机器人基础模型在少样本学习上的新路径。
HF blog精选AI 评分6262 GOAG：面向灵巧操作的生成式物体无关抓取规划器
GOAG 是一种物体无关的深度生成式抓取规划器，学习特定夹爪的接触面分布，无需物体特定训练数据即可为未见物体采样有效抓取。作者在仿真与真实场景的抓取协议上验证该方法，在 MultiDex 数据集上取得 86.93% 的平均成功率，生成大量抓取时处理速度明显更快，性能与专门在该数据集上训练的方法相当。代码与视频见项目网站 https://cea-list.github.io/goagweb/。
推荐理由：论文提出与物体无关的抓取规划思路，读者可了解其如何用夹爪接触面分布替代物体特定训练数据。