大模型与具身智能的火花，ICML 2024 MFM-EAI Workshop征稿和挑战赛启动
Workshop主页：https://icml-mfm-eai.github.io/概述近年来，多模态基础模型（MFM），例如CLIP、ImageBind、DALL・E3、GPT-4V、Gemini和Sora，已成为人工智能领域最引人注目且发展迅速的领域之一。同时，MFM的开源社区也涌现出了诸如LLaVA、LAMM、MiniGPT-4、StableDiffusion和OpenSora等具有代表性的开源项目。不同于传统计算机视觉和自然语言处理模型，这类MFM正在积极探索通用问题解决方案。通过引入MFM，具身
概述
近年来，多模态基础模型（MFM），例如 CLIP、ImageBind、DALL・E 3、GPT-4V、Gemini 和 Sora，已成为人工智能领域最引人注目且发展迅速的领域之一。同时，MFM 的开源社区也涌现出了诸如 LLaVA、LAMM、MiniGPT-4、Stable Diffusion 和 OpenSora 等具有代表性的开源项目。
不同于传统计算机视觉和自然语言处理模型，这类 MFM 正在积极探索通用问题解决方案。通过引入 MFM，具身智能（EAI）能够在模拟器和现实世界环境中更好地处理各种复杂任务。然而，在 MFM 和 EAI 的交叉领域，仍有许多尚未探讨和解决的问题，包括智能体长期决策、智能体运动规划、新环境泛化能力等。
本次 Workshop 将致力于探讨几个关键问题，包括但不限于：
- MFM 的泛化能力；
- 用于具身智能的 MFM；
- 基于生成模型的世界模型；
- 模仿学习数据收集。
Workshop 征稿
该 workshop 聚焦于多模态基础模型（MFM）、具身智能（EAI）以及两项研究的交叉领域。本次征稿主题包括但不限于：
- Training and evaluation of MFM in open-ended scenarios
- Data collection for training embodied Agents
- Framework designs for MFM-powered embodied agents
- Perception and high-level planning in embodied agents empowered by MFM
- Decision-making and low-level control in embodied agents empowered by MFM
- Evaluation of the capability of embodied agents
- Generative model as world simulator
- Limitations of MFM in empowering EAI
投稿规则
本次投稿将通过 OpenReview 平台实行双盲审稿。投稿的正文篇幅为 4 页，参考文献和补充材料篇幅不限。
- 投稿格式和模板遵循 ICML 2024 投稿指南：https://icml.cc/Conferences/2024/CallForPapers
- 投稿入口：https://openreview.net/group?id=ICML.cc/2024/Workshop/MFM-EAI
时间节点
所有时间节点均为 [AoE] (Anywhere on Earth)。
三个赛道（可同时参与）
- EgoPlan 挑战
EgoPlan 挑战旨在评估多模态大模型在现实世界场景中，针对人类日常活动所涉及的真实任务的规划能力。模型需要依据任务目标描述、第一人称视角视频和当前环境观察，选择合理的动作推进任务完成。
- 比赛官网：https://chenyi99.github.io/ego_plan_challenge/
- 报名方式：填写 [Google 表单](https://docs.google.com/forms/d/e/1FAIpQLScnWoXjZcwaagozP3jXnzdSEXX3r2tgXbqO6JWP_lr_fdnpQw/viewform?usp=sf_link)
- 报名时间：即日起 - 2024 年 7 月 1 日
奖项设置：
- 冠军：800 美元
- 亚军：600 美元
- 创新奖：600 美元
- Composable Generalization Agent 挑战
Composable Generalization 挑战旨在评估规划-执行组合系统在开放场景下的任务能力和泛化能力。模型根据语言任务描述和多模态视觉输入进行任务拆解，控制器执行拆解后子任务。
- 更详细信息将于 7 月公布
- World Model 挑战
World Model 挑战旨在评估世界模拟器在具身智能场景中的应用表现。模型根据具身任务描述和实时场景观测生成符合任务指令的视频，评估视频生成质量和指导 agent 完成任务的能力。
- 更详细信息将于 7 月公布
委员会成员
Workshop 组织者
火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力，依托字节自研豆包多模态大模型，凭借火山方舟一站式平台，提供模型精调、推理部署、智能应用搭建等全链路服务，结合高性能AI算力，助力各行业快速落地大模型数字化与智能化应用。
AirBuddy 3 是面向 macOS 的蓝牙外设增强工具，可集中查看 AirPods、Beats 与苹果设备电量，提供快速连接、播放控制、电量提醒、桌面小组件和多台 Mac 外设接力等功能。
AirServer macOS版可把 Mac 转换为无线投屏接收端，通过 AirPlay 或 Google Cast 接收手机、平板和电脑画面，并支持多设备同时连接、高清镜像及会话录制，适合家庭娱乐、课堂教学、会议演示和应用展示。
Beamer 4是面向macOS的本地视频投屏工具，可将Mac中的影片投放到Apple TV、Chromecast及兼容设备，支持常见格式、多类字幕、环绕声、播放列表和电视遥控操作。
火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力，依托字节自研豆包多模态大模型，凭借火山方舟一站式平台，提供模型精调、推理部署、智能应用搭建等全链路服务，结合高性能AI算力，助力各行业快速落地大模型数字化与智能化应用。
AirServer Windows版可把电脑变成AirPlay、Google Cast和Miracast无线投屏接收端，适合会议演示、课堂教学及家庭大屏分享。发送设备通常无需另装客户端，并可同时接收和智能排列多个镜像会话。
AlwaysUp是一款面向Windows的系统服务注册与程序托管工具，可让普通应用、脚本及批处理在无人登录时随系统启动，并通过状态检测、异常重启、资源监控和邮件通知保障关键任务持续运行。
AnyDesk Windows版是一款轻量化远程桌面与技术支持工具，可用于控制异地电脑、传输文件、远程打印及无人值守访问。它兼顾连接响应、安全权限和部署灵活性，适合个人远程办公、企业设备维护与客服支持。