深度分析
「PerceptTwin」結合 SAM 與 TRELLIS 的語意場景重建與機器人規劃驗證管線
本篇報導深入解析 PerceptTwin 系統，說明它如何從機器人感知堆疊取得的開放詞彙 3D 場景圖，自動產生可互動的模擬環境，並結合大型語言模型（LLM）進行計畫的即時驗證與校正。
深度分析
本篇報導深入解析 PerceptTwin 系統，說明它如何從機器人感知堆疊取得的開放詞彙 3D 場景圖，自動產生可互動的模擬環境，並結合大型語言模型（LLM）進行計畫的即時驗證與校正。
NCSAM
帶標註錯誤的資料是深度學習常見問題，會使訓練梯度偏移、導致模型過度記憶錯誤樣本並降低泛化。本文從理論面探討標註噪聲與損失地形平坦性之關係，指出既有的銳度感知最佳化（SAM）在噪聲情況下會遭遇更新偏差。
深度分析
本研究系統評估了塑性介入（如Shrink&Perturb、Weight Clipping、Spectral Normalization、LayerNorm、ReDo和SAM）對深度強化學習（DRL）後門攻擊的影響。