**REALM：面向具身反应式聆听的粗到细生成框架**

_REALM: A Coarse-to-Fine Generative Framework for Embodied Reactive Listening_

> REALM 提出了一种音频驱动的反应式聆听模型，通过反应式门控融合模块结合听者历史与说话者音频，并利用随机残差细化表情，解决了时序滞后与局部表情预测难题。该框架在 ViCo 和 L2L 数据集上表现优于基线，并成功部署于 Ameca 人形机器人，验证了其在物理具身智能中的应用潜力。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-09-29 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2609.33095)