#零样本泛化

强化学习在换背景、变光照时就崩的问题，这篇用潜空间一致性给出解法，Robosuite 上比第二名的基线高了 43.6%。

如果你的时间序列模型总是泛化不好，试试用RMISC这个真实世界大数据集预训练，1420亿个时间点，效果比合成数据强很多。

LUNA 不用传统的 LBS 蒙皮，直接用图片或关键点驱动3D角色，效果真实还能自动适配新角色，动画师和研究者可以试试。

这个框架把时序推理和高分辨率感知结合起来，在DRAMA-Reasoning上碾压了现有方法，还能零样本泛化到NuScenes和BDD100K，代码也开源了，做自动驾驶可解释性研究的值得一看。

这篇论文把知识图谱模型泛化的底层逻辑讲清楚了——原来只要看到半个链接就能猜出整条，还分出了四种情况。搞图神经网络或KG推理的人别错过。

零样本推理更大域的新方法

这项研究证明了多智能体强化学习在物理世界交互中的安全优势，做无人机、自动驾驶或机器人协作的团队值得关注——它用竞速场景给出了一个可复现的范式。