算法论文8

智象未来DreamWorld：3D先验驱动视频扩散

机器之心2026-08-19

AI 摘要

智象未来：现有视频扩散模型缺显式3D结构，提出DreamWorld，采用Geometry-then-Appearance两阶段框架，结合3D先验与生成能力，在多基准测试领先。

关注公众号

扫码关注
第一时间收到每日精选

公众号专辑

人大与阿里：LoD 0.25秒识破未见攻击

大视觉语言模型带来隐蔽攻击面，现有检测器难平衡。中国人民大学与阿里巴巴集团联合提出Learning to Detect（LoD），不依赖攻击样本和手工规则，从模型内部激活学安全模式，实验效果好且代码开源。

吴恩达新作Prefix Sliding指出，模型推理时丢弃中间已贬值token，只保留前缀+滑动窗口，无需训练可提速3倍，配合RL训练能将推理轨迹扩展到10万token以上。该方法为Agent场景提供新思路。

视觉 - 语言 - 动作模型（VLA）是机器人操作重要基础模型，但复杂任务成功率低，真机强化学习成本高。微软等机构研究者提出 UniSteer，将人类纠正转换成噪声监督，在多任务测试中提升了成功率。

ClawBench让AI在144个真实网站执行153个日常任务，结果惨烈，如Claude Sonnet 4.6每三任务翻车两个，GPT - 5.4仅完成10个。它还揭示AI在真实环境的问题，为评估模型提供标尺。