Robo-ValueRL提出统一框架，研究离线到在线强化学习中价值估计可靠性对策略优化的影响。它训练历史条件价值估计器，用全局进度和局部偏好指标评估可靠性，并用于质量条件预训练和在线残差自适应。实验显示，可靠价值函数能提升动作质量估计，稳定在线提升，使芯片插入成功率达86%。

大多数财务模型将分析师共识视为单一前瞻性输入，但这可能扭曲数据。本文探讨了分析师估计的范围和形状，揭示了分析师之间的分歧。通过分析不同公司的收入和每股收益（EPS）估计，发现共识并不总是紧密，且不同行业的公司存在不同的不确定性模式。建议在预测模型中保留估计范围和分析师数量，以更真实地反映共识结构。

三维空间感知是自动驾驶和机器人领域的核心能力，旨在从二维图像恢复真实世界的空间结构。Meta与普林斯顿大学提出的VLM³框架，基于标准视觉语言模型，统一了物体级三维理解和公制深度估计等任务，显著提升了模型在细粒度三维感知中的表现。研究表明，通用视觉语言模型在三维表征能力上超出预期，为三维视觉领域的统一基础模型提供了新依据。

研究者提出了优势奖励建模（ARM）框架，以解决长时间跨度机器人任务中的稀疏奖励问题。ARM通过三态标注策略（前进、后退、停滞）降低人类标注负担，并自动生成进度标注。在毛巾折叠任务中，该方法实现了99.4%的成功率，显著提高了强化学习的效率和稳定性。

本文探讨了觉-语言-动作（VLA）模型在机器人学习中的应用，提出了一种视频生成式价值模型（ViVa），通过预测未来状态来改进价值估计。ViVa结合预训练的视频生成模型、当前观测和本体感知，评估任务进展，提升机器人在复杂环境中的操作能力。研究表明，该方法在真实世界任务中表现优越，能够有效跟踪任务进度并处理新颖物体。

GenRTC是一种新型的视频会议系统，专为低带宽环境设计。通过生成式人脸编码和自适应带宽估计，GenRTC在200Kbps以下的网络中显著提升视频质量和稳定性，超时率降至5.4%。该系统动态选择编码方案，确保低延迟和高保真度，适应网络波动，实验结果显示其在极端低带宽下表现优异，突破了传统RTC系统的限制。

RISE是一个通过想象进行机器人强化学习的框架，旨在提升视觉-语言-动作模型在复杂任务中的鲁棒性。它结合动力学预测和价值估计，利用组合式世界模型生成高效学习信号，表现优于传统强化学习方法，能够有效应对动态适应性和精确性要求的任务。

麻省理工学院的研究人员发现，传统空间数据分析方法生成的置信区间常常不准确。他们提出了一种新方法，考虑数据的空间平滑变化，从而更可靠地生成置信区间。这项研究有助于环境科学、经济学和流行病学等领域更好地理解实验结果的可信度。

研究人员利用AV1视频编码中的运动矢量提升光流估计的效率与准确性。通过与真实数据对比，验证了其保真度，并发现将这些矢量作为深度学习算法RAFT的起点，可以将处理速度提高四倍，且精度影响最小。这为实时运动感知应用开辟了新可能。

本文探讨了WHAM和GVHMR模型在人体姿态估计中的应用。WHAM利用视频数据和RNN进行3D运动预测，优化脚接触感知；GVHMR在重力坐标系中恢复人体运动，减少误差累积，提高精度。

本文研究了在给定独立同分布样本的情况下，如何估计未知离散分布，重点在于最小化真实分布与算法估计之间的KL散度。我们提出了实例最优的算法，能够在有无差分隐私约束的情况下实现最优性能，并利用Good-Turing估计器的变体建立上界。

本文研究了六种自监督声学表示模型在心率估计中的表现，发现预训练模型的表示向量与基线方法相当，而自家CLAP模型在心率估计上表现更佳，误差更低。