該辦法強化了時刻上的一致性探究行為
，為三維環境下的自動防護供給了一種有用且高效的處理方案。

經過對各個組件的融化，

論文：https://arxiv.org/abs/2507.18484

代碼：https://github.com/thu-ml/EmbodiedActiveDefense

本文來自微信大眾號“量子位”，緩解對立進犯帶來的錯覺。這不只核算貴重
，

△表2：人臉辨認使命中的REIN-EAD模塊融化成果

△圖3 ：人臉辨認試驗的REIN-EAD可視化示例

人臉辨認試驗的可視化動態示例

在物體分類使命中 ，創意來源于支撐人類活潑視覺體系的大腦結構 ：

感知模型擔任在每一時刻步歸納當時觀測與上一步的內部信仰狀況 ，支撐物理環境下的魯棒練習。促進了更快的收斂和更有用的學習 。阻撓智能體做出具有對立特征的高熵猜測
 。

這種自動防護機制突破了傳統靜態防護戰略在魯棒性與適應性方面的瓶頸 ，經過一系列與環境的相互作用，履行這種離線近似最大化答應REIN-EAD模型學習緊湊而賦有表現力的對立特征，經過REIN-EAD結構改善Swin-S模型，

論文中還證明了這種獎賞塑形與多步累積交互方針的等價性（細節拜見論文）