@HaiyuWu1：- 论文分享 LeWM 现在可以处理多任务了！怎么做？将正则化损失（例如 SIGReg 和 VISReg）应用于时间…

X AI KOLs Timeline 论文
multi-task-learning regularization latent-space robotics lewm liberobenchmark

摘要

一篇论文介绍了 TC-LeWM，将 SIGReg 和 VISReg 等正则化损失应用于时间潜在残差，使 LeWM 能够进行多任务学习，显著提高了 LIBERO 机械臂基准上的成功率。

- 论文分享 LeWM 现在可以处理多任务了！ 怎么做？将正则化损失（例如 SIGReg 和 VISReg）应用于时间潜在残差，仅此而已！ 这一设计背后的原理相当有见地： 来自多个任务的样本应该共享相同的潜在空间，但不应该被迫服从相同的分布。 该论文表明，直接约束编码后的时间嵌入会破坏每个任务应保留的分布。 他们在 LIBERO 数据集上跨 10 个任务进行了方法比较。结果非常强劲： Raw LeWM --- 44.4 TC-LeWM --- 73.5（+29.1） 平均而言，TC-LeWM 显著提高了这些任务的成功率。 我的想法： 这种方法解决的问题比他们声称的更多。抓取（Gripping）被认为是 Raw LeWM 的一个困难规划问题，但 TC-LeWM 在这个机械臂数据集上显著提高了成功率。他们的方法更关注转移状态中的实际差异，这增强了动作的重要性。
查看原文
查看缓存全文

缓存时间: 2026/08/14 03:28

  • 论文分享

LeWM 现在可以处理多任务了！

怎么做？对时间潜在残差应用正则化损失（例如 SIGReg 和 VISReg），仅此而已！

这个设计背后的原理相当有见地： 来自多个任务的样本应该共享同一个潜在空间，但不应该被强制到相同的分布。

这篇论文表明，直接调节编码后的时间嵌入会破坏每个任务应保留的分布。

他们在 LIBERO 数据集上跨 10 个任务对比了该方法。结果非常强劲： Raw LeWM — 44.4 TC-LeWM — 73.5 (+29.1) 平均而言，TC-LeWM 显著提高了这些任务上的成功率。

我的想法： 这个方法解决的问题比他们声称的更多。抓取（Gripping）对于 Raw LeWM 来说是一个众所周知的困难规划问题，但 TC-LeWM 在这个机械臂数据集上显著提高了成功率。他们的方法更关注转移状态中的实际差异，从而放大了动作的重要性。

相似文章

LeWorldModel：从像素出发的稳定端到端联合嵌入预测架构

Papers with Code Trending

LeWorldModel 提出了一种稳定的端到端联合嵌入预测架构（JEPA），可直接从像素进行训练，仅需极少超参数，并具有可证明的反坍塌保证。与基础模型相比，它在规划速度上实现了显著提升，同时在机器人操作任务中保持了具有竞争力的性能。

LeRobot v0.6.0: 想象、评估、改进

Hugging Face Blog

LeRobot v0.6.0 是 Hugging Face 机器人学习库的一个重要版本，新增世界模型策略（VLA-JEPA、FastWAM、LingBot-VA）、新的 VLAs、奖励模型、六个模拟基准、深度感知、基于 VLM 的数据集注释、自定义视频编码、云端训练，以及用于人工在环校正的部署 CLI。

Fast LeWorldModel

Hugging Face Daily Papers

Fast-LeWM 通过并行动作前缀预测替代自回归展开，加速视觉规划，减少长期预测中的计算成本和延迟累积。

通过参数化记忆扩展自进化智能体

arXiv cs.AI

来自阿里巴巴/Qwen和北京大学的研究人员提出了TMEM——一种自进化参数化记忆框架。该框架利用在线LoRA权重更新，使LLM智能体能够在单个回合内真正从经验中学习，而非仅依赖提示空间中的记忆。TMEM在多个基准测试（包括LoCoMo、LongMemEval-S和CL-Bench）上均优于基于摘要和基于检索的基线方法。