EVOKE：交互世界不再失忆

EVOKE把世界记忆移出生成模型，让交互场景跑得更久，也不必越跑越慢。

深度专题 FEATURES — 3

PAPER

G0.5让同一个模型交替生成推理与动作，重新挑战机器人“外挂动作专家”的主流路线。

PAPER

SONIC用海量人类动作训练统一控制器，探索让人形机器人更自然地调动全身。

PAPER

知识不是一叠独立卡片。Nature 观点文章追问：怎样更新模型事实，又不让关联推理前后矛盾。

速览 BRIEFS — 9

PAPER

把机械臂的动作路线先生成成视频，提前检查它会不会动错手、弄丢物体。

HF 82

PAPER

ForeWAM 不再逐帧生成未来，而把未来压成内部表示，机器人因此能更快选动作。

H 1

PAPER

RIFT不再逐帧“脑补”未来，而是一次生成机器人决策所需的未来摘要。

PAPER

驾驶世界模型会生成“可能的未来”，却未必回答“这一次如果重来”。

H 13

PAPER

LinearKV让混合LLM复用旧提示时，每层递归缓存只留一个状态，直接降低首字等待成本。

PAPER

训练时随机丢掉部分评分项，让模型更难摸透规则、靠钻空子拿高分。

PAPER

小模型能看见大模型趋势，但前提是充分调参；精确外推仍不可靠。

H 11

PAPER

INT3压缩对阿拉伯语等非英语伤害更大，按语言加小补丁可找回多数损失。

H 1

PAPER

同一批模型，只因允许“想”的长度不同，排行榜就可能重新洗牌。