ttkqwe的博客

传统 LLM 推理（LLM Reasoning）主要被视为一种对静态输入的单次（One-shot）或少数次（Few-shot）预测任务。传统方法假设上下文是静态的，推理过程发生在模型的内部参数空间中。模型无法在动态环境中采取行动、获取外部信息或根据结果进行自我修正。难以处理需要长期规划（Long-horizon）和持续学习的复杂任务。论文将智能体推理定义为一种以推理为中心机制不再是单纯生成文本序列，而是通过规划（Planning）、行动（Act）和学习（Learn）的闭合回路来解决问题。

近年来，大语言模型（LLMs）在复杂推理任务上取得了显著进步。随着 OpenAI o1 等模型的出现，研究界开始关注如何通过增加推理侧的计算投入来突破模型原有性能的上限，这一方向被称为测试时缩放（Test-Time Scaling, TTS）。目前的 TTS 主要分为两大路径：一是通过强化学习训练模型生成长思维链（Internal TTS）；二是在预训练模型保持不变的情况下，利用外部搜索和验证机制（External TTS）来寻找最优解答。现有的外部 TTS 研究仍面临诸多挑战。

这篇综述覆盖了通讯,算法,能源,政策等多个方面，我们主要从通讯和算法视角来看，重点关注文中通信、识别、感知导航、规划控制、电子战及数据总线这六个部分。无人机航空电子系统的八大核心支柱(7+1[Databus])感知导航（Perception & Navigation）：多模态融合与退化处理时空对齐矛盾：异构传感器（如高频 IMU 与低频 RGB-D）在微秒级时间戳对齐与空间外参动态补偿上的精度缺失，是导致状态估计器（EKF/UKF/随机滤波）发散的首要诱因。场景稳健性。

现有图像分割模型(尤其是 SAM)已经证明“可提示分割”是可行的,但只能处理静态图片,无法直接处理视频。现实应用大量依赖视频(AR/VR、机器人、自动驾驶、视频编辑等),需要对视频中的物体做时空级别的定位与分割。视频分割比图像分割更难: 物体会运动、形变、遮挡、光照变化,视频质量也可能更差(抖动、模糊、低分辨率),同时还需要高效率处理大量帧。现有视频分割模型与数据集在规模、多样性、标注密度上仍不足,难以达到“视频中的任意物体都能分割”的目标。

摘要： 论文《AgiBot World Colosseo》提出一个开源的大规模具身智能操纵平台，包含1M+轨迹、3000+物体和217个任务，支持物流、多机协作等场景。核心方法采用三阶段ViLLA架构，结合VLM骨干模型（InternVL2.5-2B）与潜在动作规划，显著提升任务泛化能力。实验表明，其策略GO-1在真实环境中优于基线（如RDT-1B），且数据集质量优于OXE等现有资源。创新点包括大规模高质量数据与通用策略设计，但评估依赖真实环境，仿真复现尚待完善。未来可探索多模态传感器与失败恢复数据对鲁棒性