针对机器人学习中的问题，提出一个目标是打造机器人领域的“ImageNet”，支持高效的等，并改善转移。

人工智能在预测科学属性方面展现出卓越能力，然而科学发现本质上仍是一项受实验周期支配、具有物理性和长时程特征的探索工作。当前大多数计算方法与这一现实脱节，将发现视为孤立的、面向特定任务的预测，而非与物理世界的持续交互。本文提出具身科学这一范式，将科学发现重构为智能体化推理与物理执行紧密耦合的闭合循环。我们设计了统一的感知 - 语言 - 行动 - 发现（PLAD）框架，具身智能体通过该框架感知实验环境

这一段定义了桌子上不同物品的初始放置区域basket_init_region：篮子应该放在桌子的哪个位置。alphabet_soup_init_region、tomato_sauce_init_region 等：每种物品的初始放置范围（x, y 坐标区间）。contain_region：篮子里面的“可容纳区域”。这些区域保证了任务的可重复性（每次初始化位置都在一定范围内）。lisp(:fixtur

针对机器人学习中的问题，提出一个目标是打造机器人领域的“ImageNet”，支持高效的等，并改善转移。

传统模型直接从图像+语言指令预测动作，擅长语义理解，但对物理动态（如物体碰撞、摩擦、变形）的泛化能力较弱。世界模型则通过学习“未来预测”来弥补这一短板：它模拟环境如何随动作变化，从而支持规划、策略学习和零样本泛化。AC-WM（动作条件世界模型）：传统世界模型的代表形式。WAM（世界动作模型）：新兴统一框架，将“世界预测”和“动作生成”深度融合，常基于大规模预训练视频扩散模型。两者都源于视频生成技术

这篇论文提出了一种名为的高效 Transformer 模型，专门用于高分辨率图像恢复任务。核心目标是解决传统 Transformer 在图像恢复中计算复杂度随空间分辨率二次增长的问题，同时保留其捕捉长程像素依赖的优势，最终在多种图像恢复任务中实现 state-of-the-art（SOTA）性能。

本文提出了—— 一款功能通用的 4D 世界模型，可实现 4D 场景重建、新轨迹视频生成，并支持多种下游应用。现有 4D 世界建模方法普遍存在的问题：这类方法要么依赖采集成本高昂、场景受限的多视角 4D 数据，要么需要繁杂的训练预处理流程。与之不同，NeoVerse 以为核心设计思路。具体而言，该模型采用等一系列配套技术。上述设计赋予 NeoVerse 强大的通用性与跨场景泛化能力，同时模型在主流重

逻辑的终点是一个统一的世界模型：一个基础模型，能够渲染照片级真实视图、产生物理上准确的结构，并规划行动序列，根据下游消费者的需求在不同输出模态之间切换。这里不是化学家的状态（固态、液态、气态的区别），而是物理学家和机器人学家的状态：对世界在某一时刻发生的一切的完整描述，包括每个物体、每个位置、每个速度、每个属性。行动是智能体做出的回应。语言模型学习的是文本的统计结构，而世界模型学习的是空间和时间的

启用噪声共享。随着参数 K 增大，同一身份样本的纹路一致性会逐步提升，但图像风格的多样性会随之下降。本文针对不同 K 值开展对照实验，以选取最优配置。此外，该 K 步噪声共享采样属于即插即用模块，可直接迁移应用至其他扩散生成模型中。

在本文中，我们重新思考了低光照图像增强任务，提出了一种兼具物理可解释性和生成能力的扩散模型，称为Diff-Retinex。我们的目标是整合物理模型与生成网络的优点，并通过生成网络补充甚至推断低光照图像中缺失的信息。因此，Diff-Retinex将低光照图像增强问题转化为Retinex分解和条件图像生成两个部分。在Retinex分解阶段，我们结合Transformer中注意力机制的优势，精心设计了R