論文の概要: DeepInsight II: One Trace from Benchmark to Robot

• arxiv url: http://arxiv.org/abs/2608.16556v1
• Date: Mon, 17 Aug 2026 13:25:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.714482
• Title: DeepInsight II: One Trace from Benchmark to Robot
• Title（参考訳）: DeepInsight II: ベンチマークからロボットへの1つのトレース
• Abstract要約: DeepInsight IIは、その基板を固定し、エンボディされたハーフを定量化する。 MotionBenchは、リリースされている4つのボディコントローラを1つのワークロードとメトリックコントラクトの下に配置する。 合成されたシステム2--1--0の研究は、トレースの局在を5つのエビデンスグラウンドのハンドオフラベルに拡張する。
• 参考スコア（独自算出の注目度）: 8.388561928330978
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Across a Physical AI stack, evaluation maturity is inversely aligned with deployment risk: foundation models enjoy mature, standardized harnesses, while the embodied layers on which deployment actually turns remain fragmented across benchmark-specific simulators, embodiments, and interfaces. The first DeepInsight report (v1) unified evaluation across this stack behind three abstractions---task, resource, and result---but its quantitative evidence centered on the foundation-model layer; navigation and manipulation (System 1) and whole-body control (System 0) remained simulation case studies, and physical execution was outside its empirical scope. DeepInsight II keeps that substrate fixed and quantifies the embodied half. First, it reproduces released-checkpoint references across two navigation and four manipulation benchmarks under their native protocols. Second, MotionBench places four released whole-body controllers under one workload and metric contract, then carries a qualified within-family cohort from parallel simulation to matched real-robot trials in which simulated and physical rollouts share a parent trace identity while retaining execution-domain-specific records, making the sim-to-real gap a native reduction rather than a reconciliation across toolchains. Third, a composed System 2--1--0 study extends trace localization into five evidence-grounded handoff labels, each mapped to a concrete repair action, with a measured repairability criterion and physical episodes testing the same attribution under hardware-observable state. The contribution is therefore not a new evaluation architecture, but empirical continuity from benchmark execution to matched robot evidence and repair-oriented diagnosis.
• Abstract（参考訳）: ファンデーションモデルは成熟した標準化されたハーネスを楽しみ、デプロイが実際に変化する実施層は、ベンチマーク固有のシミュレータ、実施層、インターフェースで断片化されている。 第1回のDeepInsightレポート(v1)では,3つの抽象化 – タスク,リソース,結果 – の背後にあるスタックを統一的に評価するが,その定量的証拠は基礎モデル層を中心に,ナビゲーションと操作(System 1)と全身制御(System 0)はシミュレーションケーススタディのままであり,物理的実行は経験的な範囲外であった。 DeepInsight IIは、その基板を固定し、エンボディされたハーフを定量化する。 まず、リリース済みのチェックポイント参照を2つのナビゲーションと4つのベンチマークでネイティブプロトコルで再現する。 第二に、MotionBenchは4つのリリースされた全身コントローラを1つのワークロードとメートル法契約の下に配置し、その後、並列シミュレーションから実際のロボット試験に適合した家族内コホートを担い、シミュレートされたロールアウトと物理ロールアウトは、実行ドメイン固有のレコードを保持しながら親トレースIDを共有し、sim-to-realギャップはツールチェーン間の和解よりもネイティブに縮小する。 第3に, 合成システム2--1--0の研究は, 5つのエビデンスグラウンドのハンドオフラベルにトレースローカライゼーションを拡張し, それぞれがコンクリートの補修動作にマッピングされ, 測定された修理性基準とハードウェア観測可能な状態下で同じ属性をテストする物理エピソードが記録された。 したがって、この貢献は新たな評価アーキテクチャではなく、ベンチマーク実行から一致したロボットのエビデンスと修復指向の診断への実証的な連続性である。

関連論文リスト

• Architecture-Dependent Causal Transfer of Activation States Across Large Language Models [51.56484100374058]
  内部言語アクティベーション状態は、異なる大きな言語モデル間で因果的に転送することができる。 生成中に投影された活性化をターゲットモデルに注入すると、統計的に有意で事前登録された因果効果が生じる。 現在実装されているLCM間のエンド・ツー・エンドのアクティベーション・ステート・トランスファーは、ユニバーサルではなくアーキテクチャに依存していると結論付けている。
  論文  参考訳（メタデータ） (2026-08-17T09:53:27Z)
• Apodex Discovery: Reality Benchmarks and Environments for Evaluating and Building Discoverative Artificial Intelligence [86.61561123749011]
  Apodex Discovery(アポデックスディスカバリー)は、重度解法を用いて発見的AIを構築し評価するためのフレームワークである。 まず16のセクターで511の業界を調査し、423の高価値現実問題を集め、最初のリリースで20を選定した。 第二に、共通の環境-タスク-エピソード抽象化は、データ、ツール、制約、フィードバック、軌跡記録、中間成果物と最終提出物の検証を提供する。
  論文  参考訳（メタデータ） (2026-08-11T18:48:40Z)
• Compositional Benchmark Synthesis for Hierarchical Human Action Recognition [4.812022454180755]
  4段階階層型インテンションベンチマークを合成するベンチマーク生成および評価フレームワークを提案する。 エピソードは、主題一貫性制約の下で遷移モデルによって組み立てられる。 被検体の使用量を0.566から0.248に削減する。
  論文  参考訳（メタデータ） (2026-08-11T10:22:22Z)
• MetaSpace: Metamorphic Testing for Spatial Cognition in Embodied Agents [7.0922719251235655]
  MetaSpaceは、エンボディエージェントの空間認知を評価するために設計された新しいフレームワークである。 そこで,MetaSpaceは最先端MLLMエージェントの空間認識誤りを90,422個検出することに成功した。 その結果、全てのSOTAエージェントは平均スコアが0.44から0.52であり、人間ベンチマークの0.96よりもかなり低いことが示唆された。
  論文  参考訳（メタデータ） (2026-07-26T14:07:20Z)
• PhyAgentOS: A Self-Evolving Operating System for Embodied Agents with Decoupled Cognitive Planning and Physical Execution [49.776611937968]
  我々は、スケジューリング、検証、メモリ、ベンチマーク、安全性をシステムレベルのサービスとして提供するPhyAgentOSを紹介します。 セッション中心のセッションは、スケジューリング、互換性、監督された実行、エビデンス収集、受け入れの最小単位として、アクションではなくセッションを扱う。 SessionVerifierは、実行終了とセマンティックタスク完了を、成功、失敗、または再計画のエビデンスに基づいて判断する。 ベンチマークはデプロイメントセッションと検証パスを再利用するので、結果は実際の実行に遡る。
  論文  参考訳（メタデータ） (2026-07-18T04:46:53Z)
• DeepInsight: A Unified Evaluation Infrastructure Across the Physical AI Stack [17.770542038652568]
  物理AIスタックの評価は、3桁以上異なる演算子にまたがる。 既存のフレームワークはこの範囲にはないため、スタックは別々のハーネスを縫い合わせることで評価されている。 私たちは、この完全なスペクトルを単一のランタイムで提供する評価インフラストラクチャであるDeepInsightを紹介します。
  論文  参考訳（メタデータ） (2026-06-16T06:22:09Z)
• Beyond Binary Success: A Diagnostic Meta-Evaluation Framework for Fine-Grained Manipulation [98.79811866787263]
  診断メタ評価フレームワークであるMetaFineを紹介する。 局所的な空間構造を保存できる視覚エンコーダの能力は,きめ細かな精度の鍵となるボトルネックである。 評価をランキングから診断にシフトすることで、MetaFineは、ベンチマークを実際の物理デキスタリティに基づく階層化された能力の修復のための実行可能なコンパスに変換する。
  論文  参考訳（メタデータ） (2026-05-19T15:25:13Z)
• Computer Use at the Edge of the Statistical Precipice [19.604476051265852]
  記録されたアクションシーケンスを盲目的に実行した1MBのリプレイスクリプトは、顕著な静的ベンチマークにおいてフロンティアモデルよりも優れていることを示す。 非原則的環境設計と非原則的評価手法の2つの根本原因を追究する。
  論文  参考訳（メタデータ） (2026-05-07T22:43:43Z)
• Dynamic analysis enhances issue resolution [53.50448142467294]
  DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。 テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。 Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
  論文  参考訳（メタデータ） (2026-03-23T14:48:54Z)
• Automated Self-Testing as a Quality Gate: Evidence-Driven Release Management for LLM Applications [51.56484100374058]
  我々は,エビデンスに基づくリリース決定を伴う品質ゲートを導入する自動自己テストフレームワークを提案する。 内部展開型多エージェント対話型AIシステムの縦型ケーススタディにより,本フレームワークの評価を行った。
  論文  参考訳（メタデータ） (2026-03-13T20:44:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。