天津大學 FAME 入選 NeurIPS 2026 Spotlight，機器人主動建圖改用多目標探索
天津大學與合肥工業大學團隊的 FAME 方法被 NeurIPS 2026 接收併入選 Spotlight（7920 篇錄用論文中的 292 篇，約 3.7%）。它用 Conditional Flow Matching 一次生成多個探索錨點，再由 A* 路徑規劃、探索模式聚類與分層選擇挑出路線，避免只押注單一長期目標。
把單目標預測換成多錨點生成加分層選擇，並給出 Insane 難度與跨資料集零微調遷移的具體覆蓋率提升，對具身智慧與主動三維建圖方向的研究者最有參考價值。
原標題：NeurIPS 2026 Spotlight｜机器人探索未知世界，为什么不能只认一条路？天大团队提出FAME
閱讀原文
| 評分 | 65 / 62（平均 63，門檻 65） |
|---|---|
| 狀態 | 未入選 |
相關報導
FlowMAS 用 GFlowNet 自動學習多智慧體架構，被 NeurIPS 2026 錄用
廈門大學 ASC 實驗室的 FlowMAS 被 NeurIPS 2026 錄用：它用生成流網路（GFlowNet）把多智慧體工作流拓撲的設計變成可學習的生成問題，讓 AI 自動學出團隊的排兵佈陣。方法引入好奇心驅動與資訊引導兩個模組，在搭建每一步給中間結構發過程性獎勵，後者用資訊理論衡量多路 AI 輸出的協同與冗餘。在 6 個基準、3 種模型底座上，它比手工設計平均高 8.17 分、比自動化方法高 6.12 分；
復旦與上海創智學院提出 MATE，按規則審計移動智慧體軌跡
上海創智學院與復旦大學團隊提出 MATE，稱其為首個面向移動/GUI 智慧體執行軌跡的規則感知安全審計模型，論文發表於 USENIX Security 2026。MATE 將自然語言安全規則與任務指令、執行軌跡聯合建模，輸出違規判定、14 類風險類別和基於軌跡證據的解釋，提供 0.5B、1.5B、3B 三種規模，規則可編輯、無需重新訓練即可本地部署。
小紅書與復旦 DR-Rubric 被 NeurIPS 2026 接收
小紅書與復旦大學等機構提出的 DR-Rubric 已被 NeurIPS 2026 接收，論文與程式碼公開。該方法先讓模型圍繞任務做多輪檢索收集證據，再把證據轉成原子化、可逐條檢查的評分細則，作為 GRPO 的獎勵訊號，已在小紅書業務中實際使用。六個基準上每輪僅用 1000 條 RL 資料即取得有競爭力的表現，其中 GPT-5 生成的細則在 ResearchQA 達 73.7、DeepResearchBench 達 43.0；
近 200 篇工作綜述：可供性學習被統一為感知—推理—行動框架
南洋理工大學、清華大學、上海交大等十餘家機構聯合發布綜述，以「感知—推理—行動」為主線梳理近 200 篇具身智慧可供性學習工作。綜述將研究分為可供性感知（2D、3D、互動驅動、可泛化）、可供性推理（關係式、語言中心、智慧體式）與可供性引導行動（分層執行、策略學習融合）三個層次，並彙總五類資料集與 IoU、mAP、aIoU 等評測指標。作者指出視覺預測準確並不等於機器人能成功執行，未來評測需納入機器人本體約束與物理可行性。
清華團隊 PrismWAM 登頂 RoboTwin 2.0，未用動作資料預訓練
清華大學李一鳴團隊發布世界動作模型 PrismWAM，在雙臂操作基準 RoboTwin 2.0 上以平均成功率 83.67% 位列官方榜首，且未做額外的動作資料預訓練。該模型把語義上下文與物理狀態解耦，動作生成只讀取深度物理表徵，在 Clean-to-Random 高難度遷移評測中成功率達 75.5%。