A Survey of Behavior Foundation Model: Next-Generation Whole-Body Control System of Humanoid Robots（在新窗口打开）
综述人形全身控制的行为基础模型（BFM）预训练范式、应用、局限与未来机遇。
- 梳理 BFM 在人形 whole-body control 上的预训练与发展脉络
- 讨论真实应用、当前局限、紧迫挑战与未来方向
- 提供持续更新的 BFM 论文与项目资源合集
前沿论文
17 大方向 · 三级优先筛选 · 每日更新
最近更新：2026-10-20 18:44
返回聚合视图2025-06-26 周四共 4 篇：生成 0 · 代码生成 0 · 智能体 1 · 世界模型与具身 1 · 理解 1 · 音频 1 · 多语 0 · 基础模型 0
- 生成
- 文生图 0图编辑 0视频生成 03D 生成 0
- 代码生成
- Visual2Code 03D2Code 0
- 智能体
- GUI Agent 0代码 Agent 0工具调用 1
- 世界模型与具身
- 世界模型 0具身智能 1
- 理解
- VLM 0OCR 1
- 音频
- 音频 1
- 多语
- 多语言与翻译 0
- 基础模型
- LLM 0统一多模态 0
这一天为历史补采：作者单位只来自 OpenAlex，入选论文比每日更新少；要点由 AI 根据论文摘要生成，以原文为准。
共 4 篇
Seeing is Believing? Mitigating OCR Hallucinations in Multimodal Large Language Models（在新窗口打开）
提出 KIE-HVQA 评测退化文档 OCR 幻觉，GRPO 奖励与拒答机制在 Qwen2.5-VL 上显著降低幻觉。
- 首个面向退化文档 OCR 幻觉评测的 KIE-HVQA 基准
- GRPO 框架引入视觉不确定感知与拒答以抑制幻觉
- 7B 模型在 KIE-HVQA 幻觉无关准确率较 GPT-4o 绝对提升 22%
TAPS: Tool-Augmented Personalisation via Structured Tagging（在新窗口打开）
TAPS 用结构化标注与不确定性工具检测，增强目标导向对话中的个性化工具调用。
- 系统分析 LLM 在个性化工具使用上的不足
- 结构化标注工具与基于不确定性的工具检测器
- 开源模型在 NLSI 任务上取得新的 state-of-the-art
The role of audio-visual integration in the time course of phonetic encoding in self-supervised speech models（在新窗口打开）
对比 AV-HuBERT 与 HuBERT，发现前者几乎未体现唇动先于发声的时序异步。
- 用线性分类器追踪音素信息在嵌入中的时间可解码性
- AV-HuBERT 音素信息仅比 HuBERT 早约 20 ms，归因于分辨率与拼接
- 指出 AV-HuBERT 难以建模人类多模态语音感知的时间动态
没有符合条件的论文。