ICML 2025最佳论文奖项总结 - 本届ICML共评选出8篇获奖论文，包括6篇杰出论文奖和2篇杰出立场论文奖，南京大学研究者位列获奖名单[3] - 大会共收到12107篇有效投稿，接收3260篇，接收率26.9%，相比2024年9653篇投稿数量持续大幅增长[5] - ICML是全球人工智能领域三大顶会之一，与NeurIPS、ICLR并列，本届为第42届，在加拿大温哥华举行[3] 杰出论文奖主要研究成果 - 论文1提出自适应Token解码顺序策略，将掩码扩散模型在数独解题准确率从7%提升至90%，超越7倍参数量的自回归模型[8][10] - 论文2研究机器学习在政府项目中的应用，通过德国失业案例评估预测技术对福利分配的影响，为政策制定提供分析框架[11][13][14] - 论文3提出CollabLLM框架，通过多轮感知奖励增强人机协作，任务表现提升18.5%，用户满意度提高17.6%，减少10.4%用户时间[15][17][18][19] - 论文4分析语言模型创造性极限，证明多Token方法在生成多样性方面优于下一Token学习，提出噪声注入输入层的新方法[20][22][23] - 论文5从贝叶斯视角改进共形预测，提出基于贝叶斯求积的实用方案，提供更全面的损失范围表示[24][25][26][27] - 论文6调整分数匹配方法处理缺失数据，提出重要性加权和变分两种方法，分别在小样本低维和高维场景表现优异[28][30][31] 杰出立场论文奖核心观点 - 论文1建议改革AI会议评审系统，建立双向反馈机制和审稿人奖励系统，应对投稿量激增带来的评审质量挑战[35][36][39][40] - 论文2指出当前AI安全研究忽视对未来工作影响，主张建立以人为中心的全球治理框架，解决收入不平等和技术债务问题[41][44] 行业动态 - 自动驾驶领域技术社区已聚集近4000人，300+企业和科研机构参与，覆盖30+技术方向包括大模型、BEV感知、多传感器融合等[47] - 专业课程涵盖端到端自动驾驶、大模型应用、BEV模型部署、轨迹预测等前沿方向，提供系统学习路径[48][49]

自动驾驶行业趋势与职业发展 - 自动驾驶行业当前处于快速发展阶段，大模型与端到端技术成为核心方向[4][6] - 小米汽车在自动驾驶领域势头强劲，虽薪资水平中等但短期发展潜力较大[7] - 医学图像与工业检测领域技术门槛低于自动驾驶，可作为从业者备选方向[6] 求职与技能提升策略 - 实习经历需适当包装，重点突出与目标岗位相关的技术亮点[3][6] - 建议利用公司资源补充自动驾驶算法实践经验（如BEV、端到端），同时学习VLA、SFT等技术[6] - 需同步准备秋招与实习转正，多offer可增强薪资谈判能力[5][6] 技术研究方向与资源 - 视觉大语言模型、世界模型、扩散模型和端到端自动驾驶为四大前沿方向[10] - 自动驾驶数据集覆盖2D/3D目标检测、语义分割、轨迹预测等任务，包括NuScenes、BDD100K等主流数据集[25][26] - 扩散模型在自动驾驶中应用于场景生成、3D补全等任务，如DriveDreamer、MagicDriveDiT等创新方法[43] 社区与学习平台 - 知识星球提供自动驾驶课程、硬件资料及招聘信息，已形成学术-产品-就业闭环生态[8][62] - 社区目标3年内聚集万人规模，现有华为天才少年及领域专家入驻[8] - 会员可获取5000+干货内容、100+场行业直播及求职咨询等权益[62] 端到端自动驾驶进展 - 开源仓库收录E2E驾驶最新研究成果，涵盖感知、预测、规划全流程[45][49] - 特斯拉FSD验证了端到端模型可行性，但开环评估仍存争议[49] - 典型方法包括DriveGPT4（大模型驱动）、VADv2（概率规划）等[52][55]

公司发展里程碑 - 公司成立三周年，自动驾驶领域技术迭代加速，从端到端方案演进至VLM/VLA方案，索尔算力显著超越Orin芯片[2] - 业务矩阵扩展至四大IP：自动驾驶之心、具身智能之心、3D视觉之心、大模型之心，覆盖知识星球、公众号、视频号等多平台，其中具身智能业务实现学术与产业双突破[2] - 业务模式从纯线上教育升级为全栈式服务，新增硬件教具、线下培训、求职招聘板块，杭州办公室设立并引入核心团队成员[2] 战略与价值观 - 盈利被视为结果而非唯一目标，行业影响力与帮助从业者构成核心内驱力[3] - 坚持"重全局，沿途下蛋"策略，平衡长期价值投入与短期商业化落地[4] - 通过《长安的荔枝》案例强调"逆人性做事"原则，严控课程质量，对不合格内容实施重录补录，建立1v1学员反馈机制[5][6] 行业竞争与创新 - 小米汽车案例显示市场时机非绝对门槛，执行质量决定成败[4] - 行业普遍存在短期红利追逐现象，公司差异化聚焦长期价值赛道[4] - 将创新能力视为核心壁垒，主张"创新才能每天吃第一口热饭"，持续研发新体系对抗同业模仿[6][7] 业务转型与规划 - 启动科技公司转型，同步深耕AI教育领域，计划2025年下半年完成体系搭建并进入稳定运营期[8] - 教育产品目标定位降低AI学习门槛，覆盖自动驾驶、大模型等15个技术方向[9][10] 市场活动 - 推出三周年专项优惠：自动驾驶课程全线8折，知识星球新用户6折、老用户续费5折[10]

核心观点 - 视觉-语言-动作模型（VLA）在接触密集型任务中存在触觉感知缺失的短板，难以实现精细力控制 [2] - Tactile-VLA通过深度融合视觉、语言、动作与触觉感知，激活VLA模型中隐含的物理知识，解决接触密集型任务的力控制与泛化问题 [2][6] - 研究发现视觉-语言模型（VLM）的先验知识中已包含对物理交互的语义理解，通过少量演示即可激活该知识实现零样本泛化 [6] 核心创新与研究目标 关键发现 - VLM的先验知识包含物理交互语义理解，通过触觉传感器连接可激活该知识实现零样本泛化 [6] 主要创新点 - Tactile-VLA框架：首次将触觉感知作为原生模态引入VLA模型，构建多模态深度融合架构 [6] - 混合位置-力控制器：将力目标转化为位置调整指令，解决位置与力控制的协同难题 [6][11] - Tactile-VLA-CoT变体：引入思维链推理机制，基于触觉反馈自主调整策略提升稳健性 [6][15] 主要解决的问题 - 触觉感知的指令遵循：理解"轻柔地""用力地"等力相关语言修饰词 [6] - 触觉相关常识运用：基于物体属性自主调整交互力 [6] - 触觉参与的自适应推理：通过触觉反馈诊断失败并制定纠正策略 [6] Tactile-VLA框架 整体架构 - 多模态深度融合架构包含视觉、语言、触觉和本体感觉输入的统一token表示 [9][11] - 通过非因果注意力机制实现视觉、语言和触觉token的自由交互 [9] 混合位置-力控制机制 - 控制逻辑：以位置控制为主，力误差超过阈值时引入力反馈调整 [11][12] - 双通道分离：外部净力与内部抓取力分离实现精细化调节 [13] 思维链推理机制 - 触发机制：固定间隔评估任务进展，检测失败时启动推理 [18] - 推理流程：判定任务成功与否、分析失败原因、生成纠正指令 [18] 数据收集方法 - 硬件平台：基于通用操作接口（UMI）配备双高分辨率触觉传感器 [19] - 同步机制：100Hz触觉信号与20Hz视觉数据时间对齐 [19] - 标注方式：人类操作员结合触觉反馈提供演示并记录语言指令 [19] 实验验证与结果分析 触觉感知的指令遵循实验 - 任务A（USB插拔）：Tactile-VLA成功率达35%，充电器任务中达90% [22][23] - 力控制精度：USB任务中"轻柔地"施加0.51N力，"用力地"施加2.57N力 [23] 触觉相关常识的运用实验 - 域内物体抓取成功率：90%-100%，域外物体达80%-100% [30] - 力调节策略：根据物体属性自主调整力度，如对易碎物体用轻力 [30] 触觉参与的自适应推理实验 - 黑板擦拭任务：Tactile-VLA-CoT成功率达80%，基线模型为0 [28][32] - 推理过程：首次尝试失败后自主增加剪切力并成功完成任务 [32]

产品概述 - GeoScan S1是一款手持三维激光扫描仪，具有轻量化设计、一键启动和高性价比的特点，适用于多种作业领域[1] - 设备以多模态传感器融合算法为核心，实现厘米级精度的三维场景实时重构[1] - 产品由同济大学刘春教授团队和西北工业大学产业化团队合作开发，拥有多年科研和行业积累，经过上百个项目验证[4] 技术参数 - 扫描性能：每秒生成20万级点云，70米测量距离，360°全域覆盖，支持20万平米以上的大场景扫描[1][23] - 精度：相对精度优于3cm，绝对精度优于5cm[16] - 数据输出：支持pcd、las、ply等多种通用格式，可生成彩色点云[16] - 系统环境：运行Ubuntu 20.04，支持ROS[16] 硬件配置 - 传感器集成：包含3D激光雷达、9DOF IMU、双广角相机、深度相机等[7] - 计算单元：Intel N5095处理器，4核2.0GHz（睿频2.9G），16G内存/256G存储[16] - 同步模块：微秒级同步精度，最高800Hz频率[17] - 供电：88.8Wh电池容量，续航约3-4小时[16] 功能特点 - 实时建模：支持三维点云地图动态构建、色彩融合和实时预览[16] - 多传感器融合：结合相机、激光雷达、IMU、RTK数据[16] - 小倾角设计：激光雷达25°倾斜角度安装，提高采集效率[9] - 跨平台集成：适配无人机、无人车、机械狗等多种负载平台[38] 应用场景 - 适用于写字楼、停车场、工业园区、隧道、森林、矿场等复杂室内外场景[32] - 可用于地理信息数据采集、城市规划、文物保护等领域[46] - 支持3D高斯实景还原，选配模块可实现高保真实景还原[44] 价格信息 - 基础版本：19800元[51] - 深度相机版本：23800元[51] - 3DGS在线版本：39800元[51] - 3DGS离线版本：67800元[51]

求职辅导服务 - 推出1v1定制求职辅导服务 目标人群为希望转型智能驾驶方向的应届生和职场人士 周期2个月左右 [2] - 课程特色以求职成功为导向 聚焦目标岗位 迅速补足短板 短时间内具备目标岗位所需知识和能力 [2] - 收费标准8000元/人 包含不低于10次线上1v1会议 每次不低于1小时 [4] - 基本服务包括8次答疑+1次面试前复盘+1次正式面试后复盘 [5] 服务内容 - 分析学员画像 评估知识结构和能力模型 找出与目标岗位差距 [8] - 制定全周期学习计划 提供相关学习资料包括文档和网络资源 [8] - 每周定期会议答疑 回顾学习进度并给出建议 其他时间可随时提问 [8] - 简历优化建议 提升与目标岗位匹配度 提供合适内推机会 [9] 进阶服务 - 项目实战 提供实际项目实践机会 可写入简历 补充费用3000元 [11] - 模拟面试 包含HR面试和业务面试 补充费用2000元 [11] 可辅导岗位 - 涵盖智能驾驶产品经理 系统工程师 算法 软开 测试工程师 [11] - 智能座舱产品经理 汽车智能化行业分析师等方向 [11] 师资力量 - 辅导老师为智驾行业专家 包括产品 架构 算法 测试 分析师等 [12] - 大多具备8年以上从业经验 就职于国内自驾独角兽和主机厂 [12] - 主导头部车企智能驾驶产品方案 熟悉供应商与整车厂方案 [13] - 参与早期多款车型座舱方案 10年算法/软件/测试实战经验 [13] - 对自驾行业有深度理解 输出过多篇重量级行业研究报告 [13]

多模态强化学习框架EasyR1分析 - EasyR1是基于纯语言强化学习训练框架verl修改而来的多模态强化学习训练框架，支持Qwen2.5-VL等模型的微调 [1] - 框架采用GRPO算法进行训练，该算法不涉及Value Model，从而简化了训练流程 [45] - 代码仍在频繁更新中，文章分析的是2024年6月10日左右的代码版本 [1] 启动配置 - 启动脚本位于examples目录，通过python3 -m verl.trainer.main命令启动训练任务 [5] - 配置文件分为data、algorithm、worker和trainer四类配置项，参数可通过启动脚本覆盖 [6] - 数据配置包括训练集/验证集路径、prompt/answer/image键名、最大长度限制等参数 [9] 数据处理流程 - 数据集必须包含problem、answer和images三个key，支持json等多种格式 [40] - 数据加载使用datasets.load_dataset函数，支持本地文件和远程Hugging Face数据集 [41] - 图像处理支持<image>占位符，可拼接多张图片内容 [39] - prompt会通过jinjia模板进行格式化渲染，支持单轮问答场景 [38] 训练流程 - 训练分为init和fit两个阶段，fit阶段包含数据采样、奖励计算、优势估计和模型更新等步骤 [44] - GRPO算法中每个prompt会采样多条响应(n≥2)，通过组内标准化计算优势 [81] - 训练使用KL散度约束模型更新，支持多种KL惩罚类型如low_var_kl等 [78] - 策略更新采用PPO算法，支持多epoch训练和梯度累积 [84] 性能优化 - 框架采用FSDP策略进行分布式训练，支持参数卸载以节省GPU内存 [16] - 数据在DP rank间进行平衡分配，确保每个rank获得相似数量的token [62] - 推理使用vLLM引擎，支持tensor并行和分块预填充等优化 [28] - 训练支持padding-free模式和Ulysses序列并行技术 [15]

产品发布与市场反应 - 乐道L90开启预售，整车购买价格为27.99万元，超出市场预期[4] - BaaS方案价格19.39万元，现场反响热烈[6] - 发布会后蔚来美股股价大涨6.03%，收盘价3.690美元，成交额2.68亿美元[8][9] 产品设计与功能亮点 - 乐道L90为车长超5.1米的大型SUV，三排六座设计，空间表现突出[13][41] - 前备箱容积240L，支持电动开启和空气悬架自动降低10公分[15][17][43] - 车内配备35英寸AR-HUD、17英寸中控屏、17.3英寸吸顶屏及8英寸小屏[22][30][31] - 二排零重力座椅、可形成沙发床的设计及小冰箱（容纳12罐可乐）提升舒适性[24][26][32] - 三排空间宽敞，腿部余量一拳，两侧配备杯架和Type-C接口[35][39] 技术创新与性能 - 采用900V碳化硅电机，四驱版零百加速4.7秒，两驱版5.9秒[45] - 自研49合1热管理模块等技术创新节省空间，如前备箱通过集成化设计多出230L[43][45] - 百公里电耗14.5度，85度电池续航605km，支持换电体系（上千座换电站）[48] - 智能驾驶采用主视觉路线，配备30个感知硬件，支持城区领航辅助[48] 市场定位与用户评价 - 定价19.39万起，被视作30万内三排纯电SUV的标杆产品[12][50] - 国内外用户反响强烈，美国网友关注其高性价比与设计合规性[9][10]

自动驾驶VLA技术进展 - 端到端自动驾驶成为主流范式，视觉-语言-动作(VLA)方法在学术界和工业界快速落地[2] - 理想、文远知行、小米、小鹏等主机厂正在大力尝试VLA技术的量产应用[2] - 2025年学术界和工业界涌现大量优秀工作，重点关注VLA落地可行性、扩散模型轨迹可靠性等问题[2] NavigScene技术突破 - 小鹏汽车提出NavigScene，解决局部传感器数据与全局导航信息的关键差距[2] - 开发三种互补方法：导航引导推理、导航引导偏好优化、导航引导VLA模型[2] - 实验显示显著提升感知、预测、规划和问答任务性能，实现超视距推理能力[2][6] - 在NuInstruct基准测试中，Qwen2.5-7B模型表现最佳，多项指标提升明显[5] AutoVLA创新框架 - UCLA提出AutoVLA，统一推理和动作生成的自回归模型[7] - 采用SFT+GRPO两阶段训练，在NAVSIM取得92.12 PDMS指标[9] - 在nuPlan、nuScenes等多个基准测试中展现竞争优势[8] - 实现自适应推理能力，可根据场景复杂度调整思维模式[12] ReCogDrive三阶段训练 - 华科与小米合作提出三阶段训练框架[13] - 收集2.3M高质量QA数据，通过预训练+模仿学习+强化学习流程[14] - 在NAVSIM基准达到89.6 PDMS，创下新SOTA记录[16] - 比之前最佳方法提升5.6 PDMS[16] 数据集与基准建设 - 清华AIR与博世发布Impromptu VLA数据集，包含80K+精选视频片段[17] - 理想汽车推出DriveAction基准，包含16,185个QA对，覆盖2610个驾驶场景[31] - 实验显示视觉和语言输入缺失会导致动作预测准确率下降3.3%-8.0%[31] - 基准建设被认为是行业未来重点发展方向[50] 技术趋势与挑战 - 思维链、空间理解成为标配技术，但车端必要性存疑[50] - 时序处理研究不足，与实际车端需求存在差距[50] - 轨迹输出形式分文本自回归和扩散模型两大路线[50] - 行业缺乏大规模自动驾驶预训练基座模型[50] - NAVSIM指标已逼近人类专家水平，验证技术可行性[50]

行业趋势与人才需求 - 自动驾驶和具身智能公司对人才要求较高，倾向于实力强、背景好的候选人 [3] - 大公司招聘需求集中在端到端、大模型、VLA、强化学习、3DGS等前沿方向 [4] - 机器人初创公司融资活跃，未来几年发展前景可观 [4] - 传统机器人技术仍是产品主线，但具身智能是最前沿方向 [5] 技术方向与就业建议 - 双非学生可转向机器人/具身智能领域，从事SLAM、ROS相关优化和集成工作 [4] - LV融合、无图、BEV感知等技术已应用但人才饱和 [4] - 深圳、杭州的机器人公司提供全面技术培养机会 [5] 前沿技术资源汇总 - 视觉大语言模型、世界模型、扩散模型和端到端自动驾驶是四大技术方向 [9] - 提供10个Awesome和综述资源链接，涵盖智能交通、AIGC、视觉语言模型等领域 [10] - 列出17个VLM预训练数据集，最大规模达12B图像-文本对（LAION5B） [17] - 汇总图像分类、文本检索、行为识别等评估数据集，如ImageNet-1k（1000类）、Kinetics700（700类） [18][20] 自动驾驶数据集与应用 - 覆盖2D/3D目标检测、语义分割、跟踪等任务，如NuScenes（2020年，多模态）、Waymo Open Dataset（2020年） [23] - 语言增强数据集支持视觉-语言导航、车辆检索等应用，如NuScenes-QA（2023年） [24] - 智能交通领域方法聚焦语言引导的车辆检索和视觉问答 [25] - 自动驾驶感知技术包括语言引导的3D检测、开放词汇分割（如OpenScene） [26] 世界模型与扩散模型 - 世界模型研究集中在3D场景理解和生成，如HERMES（2025年）、DriveGPT（2024年） [32][33] - 扩散模型在自动驾驶中用于视频生成（如DriveDreamer）、数据增强（如Cityscape-Adverse） [35][41] - 汇总19篇扩散模型综述，涉及3D视觉、推荐系统等方向 [35][38][39] 端到端自动驾驶 - 开源仓库跟踪E2E最新研究，如opendilab/awesome-end-to-end-autonomous-driving [43][47] - 方法融合多模态感知与规划，如DriveGPT4（2023年）、VADv2（概率规划） [47][50] - 研讨会覆盖CVPR、ICRA等会议，探讨基础模型与规模化应用 [48] - 长尾分布问题通过对抗训练（如CAT）、场景生成（如KING）解决 [53][58]