仅供参考，未经实验验证。项目主页：https://masked-visual-actions.github .io/论文地址：https://arxiv.org/pdf/2607.19343它本质上就是"视频版的 Stable Diffusion Inpainting"：在潜空间里把掩码视频和噪声拼接，用视频扩散模型逐帧去噪补全。前向推理时掩码贴在机器人身上（模型补全世界），逆向推理时掩码贴在物体

项目主页：https://masked-visual-actions.github.io/论文地址：https://arxiv.org/pdf/2607.19343把"动作"直接画在视频像素上，用"贴胶带"的方式告诉模型已知条件，同一个模型既能做"给动作猜结果"（正向），也能做"给结果猜动作"（逆向）——而且只练了正向，逆向直接就会。回到原文训练数据来自真实+仿真视频，用"自动抠图"和"3D渲染"

仅供参考，未经实验验证。两个项目都实现了三层记忆架构 + 闭环自进化的核心设计，这在技术层面确实存在高度相似性。Evolver 更强调协议约束和审计追踪，适合需要合规和可追溯性的企业场景；Hermes Agent 更强调实用性和多平台部署，适合个人用户和多样化集成场景。争议的核心在于：这种架构相似是"趋同进化"（独立发现最优解）还是"代码清洗"（借鉴后重写），目前双方各执一词，社区尚无定论。Evo

数据集构建基于分割：使用 Segment Anything 分割出机器人臂作为掩码。基于渲染：利用 URDF 模型和相机外参渲染机器人网格，生成掩码条件。模型训练：以 Wan-Fun-Control 2.1（14B）为基座模型，采用 LoRA（秩256）微调，将掩码视频与参考帧拼接作为条件输入。视频模型能够吸收关于视觉世界如何运动、交互以及对接触做出反应的丰富先验知识，这使得它们成为机器人世界建模

论文标题（监控视频中稀有交通事件的两阶段零样本时空定位）论文地址给定一段时长为DDD秒的交通监控视频VVV，我们预测一个元组t∗x∗y∗c∗t∗x∗y∗c∗，其中t∗∈0Dt∗∈0Dx∗y∗∈012x∗y∗∈012（Qwen3-VL 在010002010002网格上输出原始坐标；我们在合并和评估前将其除以 1000），且c∗∈Cc∗∈C。

仅供参考，未经实验验证。DeepSeek-R1 的故事是一个关于**“自我进化”**的故事：从一个未经任何监督的基座模型出发，通过纯强化学习的激励，模型自发学会了思考、反思、验证；再通过人类的少量引导（冷启动数据）和多阶段打磨，最终成为一个既强大又实用的推理专家；最后，它将这份智慧传递给更小、更快的模型，让整个开源社区受益。有时候，我们不需要手把手教模型如何思考，只需要给它正确的激励，它就能自己找

仅供参考，未经实验验证。作者提出了代码训练有助于提升数学推理能力，以及提出了SFT、RFT、DPO、PPO、GRPO统一范式的视角。这段内容来自代码训练比通用语料更能提升数学能力—— 先训代码再训数学，效果比直接训数学或先训通用语料再训数学都要好ArXiv 论文对数学推理帮助不大—— 用大量学术论文做预训练，数学 benchmark 上几乎没提升甚至下降想提升模型数学能力：先让它学代码，再学数学；

仅供参考，未经实验验证。这篇我们对SFT、DPO目标函数求导进行推导，由于RFT和在线RFT的目标函数求导与SFT同理（GC都是常数），故跳过了这两个。目标函数= 标准答案的平均 log 概率求导→ 期望和梯度交换，常数1∣o∣∣o∣1​提出来，求和与梯度交换结果→ 每个 token 的梯度是∇θlog⁡πθ∇θ​logπθ​，前面乘的系数是1（因为没有筛选、没有奖励、没有惩罚，所有 token

仅供参考，未经实验验证。这篇我们对GRPO目标函数求导进行推导。The objective of GRPO is (assumeπθold=πθ\pi_{\theta_{old}} = \pi_{\theta}πθold​​=πθ​for simplified analysis):JGRPO(θ)=E[q∼Psft(Q),{oi}i=1G∼πθold(O∣q)]1G∑i=1G1∣oi∣∑t=1∣o

仅供参考，未经实验验证。大型语言模型在数学推理方面取得了显著进展，这既是人工智能的重要试验场，如果能进一步发展，也可能对科学研究产生影响。通过使用强化学习来扩展推理能力，并奖励正确的最终答案，大型语言模型在一年内从表现不佳提升到在 AIME 和 HMMT 等定量推理竞赛中达到饱和。然而，这种方法面临着根本性的局限。追求更高的最终答案准确率并不能解决一个关键问题：正确的答案并不能保证正确的推理。此外