perception

介绍了 Representation Forcing（RF），一种技术，使得统一多模态模型能够在没有外部VAE潜在空间的情况下端到端地执行感知和生成，在图像生成方面达到最先进的基于VAE的模型水平，同时提升理解能力。

DynaFLIP 是一个动力学感知的多模态预训练框架，将运动理解整合到机器人操作的视觉感知中。它使用图像-语言-3D流三元组和几何正则化来改进表征学习，在分布外场景中取得了显著提升。

本文倡导将能动方法融入人工智能的感知与认知领域，重点阐述了四个关键概念：经验、行动与感知的不可分割性、自主性和具身性。研究发现与强化学习存在共鸣，但建议更广泛地整合能动思想。

对AI生成图像质量提升的反思，质疑它们在什么时候会变得与真实摄影或数字艺术难以区分。

DexHoldem是一个真实世界基准，用于评估具身智能体在灵巧操作任务中的表现，通过使用ShadowHand玩德州扑克来测试在闭环环境中的基元执行、感知和决策能力。

本文提出一种强化学习框架，通过显式奖励感知保真度来改善视觉语言模型中的感知-推理协同，利用“蒙眼推理”代理和结构化言语验证来解决模态信用分配中的模糊性。

本文提出嵌入时序逻辑（ETL），一种直接在学习的嵌入空间中监控感知自主系统的时序逻辑，能够指定高级感知概念，并与真实语义具有强经验一致性。

本文介绍了 MediaPipe，这是一个由 Google 开发的用于构建跨平台感知管道的框架，通过提供组合组件、原型设计和性能测量的工具，简化了机器学习应用的开发。