Embodied Agent#
Lucida: Parse, Generate, and Place for Composable Real-to-Sim Scene Modeling
Lucida提出一个面向真实室内场景到仿真的可组合建模流程，目标是把实景视频恢复成可编辑、可单独操控的对象资产，并按观测关系重新放回场景中。它将任务拆成解析、生成和放置三步：先把视频解析成带多视角证据的场景图，再根据每个实例的证据生成完整资产。最后用 GizmoAct 这一视觉语言模型策略，通过多轮 GUI 交互闭环操纵 gizmo 来完成对齐。实验表明，Lucida 在 R2S-Scene 的场景级 3D 目标检测上比 Boxer 的 mAP 提升 69%，在 CA-1M 上把 ADD-SB@0.05 从 57.8% 提升到 83.4%，并将场景重建 F-Score 从 0.794 提高到 0.924。
LightNav-0: Eliciting VLM Spatial Intelligence for Generalist Embodied Navigation
LightNav-0 提出一个紧凑的通用具身导航模型，把预训练视觉语言模型里的空间推理能力直接用于机器人控制。它用双通道 pointing token 表达与任务、场景和机体无关的空间意图，并结合残差向量量化动作 tokenizer、时间感知视觉历史压缩、ER 中训练、监督微调和强化学习，把指令跟随、开放词汇目标导航和视觉跟踪统一到一个框架里。作者用覆盖 2K+ 场景、4K+ 小时的具身导航数据进行训练，LightNav-ER 在 8 个具身推理基准上取得最高完整集平均分。LightNav-0 在 10 个公开仿真导航设置上达到单目 SOTA，并在真实机器人实验中展示了跨机体、跨场景以及静态/动态目标的零样本泛化。
Agent Training and Evaluation#
PaperGym: Rubric-Centered Evolution for Research-Plan Generation
PaperGym 把科研论文转成可用于强化学习的研究规划训练环境，用论文的研究目标和背景生成问题，再从方法和实验中抽取评分准则。该框架把准则同时用于 OPSD 的自教师监督和 GRPO 奖励，并刻意区分方法创新与实验设计，从而将准则泄漏降到 3.7%，明显低于现有数据集的 11.90% 到 34.10%。在 Qwen3-1.7B/4B/8B 上，这种先 self-teacher 后 GRPO 的训练顺序优于监督微调以及反向顺序，使五个基准的平均分分别提升 5.6、5.0 和 4.8 分。PaperGym-20k 训练出的模型在三方对比中胜率达到 58.1%，Qwen3-8B 在 ResearchQA 上取得 73.48 分，超过了更大的 Kimi K2.6。
Super Library Agent: Joint Generation and Maintenance of Multiple Applications Beyond the Single Codebase
这篇工作提出 Super Library Agent 问题，研究 LLM 编码代理在连续生成并维护一组相关应用时，如何把跨应用的共享逻辑抽取到一个可复用的 Super Library 中，从而减少重复代码和结构退化。作者提出候选引导式抽取、预抽取代码库整合，以及结合抽取轨迹和调用图的上下文感知迁移，以提高共享组件抽取率和依赖迁移的稳定性。在 WebGen-Bench 和 PaperBench 上，方法在保持功能正确的同时显著降低冗余、token 占用、代码行数和 MDL，并优于零样本基线与朴素库构建方案。