机器人与物理 AI

EmbodiedCLBench 将持续学习引入具身仿真环境，检验智能体能否从基础任务中积累经验，并将技能组合到未见过的复杂任务中。实验显示，经验确实有效，但增加样本并未带来相应的能力增长。

亚马逊已在仓库部署超过100万台机器人，但这并不意味着人类员工会迅速退出物流体系。真正的变化，是人与机器人将在更近距离内共同工作，而工作节奏、岗位技能与安全风险也会随之重塑。

TouchScale提供了一个统一采集的500小时人类视觉—触觉交互数据集，将第一视角视频与双手密集触觉信号同步起来。实验显示，扩大且保持一致的数据规模，有助于提升跨传感器触觉预测和真实机器人操作表现。

华盛顿大学团队提出Reflex框架，让人形机器人从第一视角RGB-D视频中推断飞来箱子的运动状态，并协调全身完成接取。系统在仿真中取得85.7%的成功率，并在真实Unitree G1上完成了人类抛箱测试。

SuperNav提出一种面向通用服务机器人的智能导航方案：不再针对导航动作微调多模态大模型，而是让模型理解需求、分析场景并调用专门工具完成移动。该系统已在单目标、多目标和需求驱动任务中展现出较强的泛化能力。

SimpleICL 重新定义了机器人情境学习的目标，试图回答机器人究竟应该从一段示范视频中学习什么。研究团队以轻量视觉提示编码器和低成本数据采集流程，在无需大规模预训练的情况下验证了示范驱动操控的可行性。

UniWAM 提出一种统一的世界—动作模型，将物理推理、视觉生成和动作预测纳入同一训练框架。它通过融合人类第一视角数据、机器人数据与视觉问答数据，试图提升具身模型在复杂环境中的理解和执行能力。

NVIDIA 团队提出 Long-WAM，通过自回归视频预训练、流式编码与异步执行，把更长的视觉历史引入实时机器人控制。在 RoboCasa GR-1 等测试中，19.2 秒上下文显著提升了任务成功率。

RobotWorld 提供了一个覆盖多种机器人形态与任务类型的仿真测试平台，用来评估多模态智能体能否把语言、视觉和代码能力转化为稳定的物理操作。研究显示，智能体已经能够搭建复杂的感知与控制流程，但距离可靠完成任务仍有明显差距。

微软研究院等团队提出 DiVeR，通过动作表示的分散程度识别轨迹中的关键决策状态，并据此改进 VLA 模型的测试时动作筛选。该方法无需逐步标注或额外环境交互，即可提升机器人任务成功率。

机器人真实执行动作时，常会受到摩擦、回差、负载变化和机械磨损影响，导致动作偏离视觉语言动作模型的指令。来自浦项科技大学的研究提出一种无需任务标签或奖励的在线自补偿方法，并用 RoboStress 系统测试 VLA 的抗执行误差能力。

EyeRobot 2.0通过转动双目视点主动锁定场景中的三维目标，并结合注视中心的高密度视觉处理，让机器人在不依赖腕部相机的情况下完成精细双手操作。

MotorMind提出一种连接通用视觉语言模型与机器人控制器的执行框架，让模型根据视觉观察提出中层动作，并通过异步反馈持续调整。研究显示，在无需任务专用策略训练的情况下，通用VLM也能完成一定程度的零样本机器人操作。

Skill2Real提出一种面向机器人操作的智能体式技能学习框架，通过统一API、分层记忆和提议者—验证器—治理器闭环，减少仿真到现实迁移中的再训练需求。实验显示，冻结的仿真技能在多项真实操作任务上仍能保持较高完成率。

一项发表于Hugging Face Daily Papers的研究提出PyRUA-Lean，让机器人智能体通过可执行Python单元组合动作、局部重试，并只请求必要的视觉与状态反馈。在相同语言模型调用预算下，任务成功率从63.1%提升至71.7%，共同完成任务的输入Token减少65%。

当目标会在机器人看不见时移动，过去可靠的空间记忆就可能变成误导。EvolvingNav尝试用带时间信息的三维记忆和概率信念，让机器人边预测、边观察、边重新规划。

一篇系统性综述梳理机器人上下文学习的四类实现路径，重点讨论机器人如何从示范和交互中理解任务要求，并在环境变化后忠实执行。

香港科技大学团队提出 WorldLine，一种面向机器人操作的动作驱动视觉模拟器。它将通用的机器人—物体动力学学习与不同机械臂的动作控制对齐分开处理，试图降低真实机器人试错成本。

EmbodiedMemory-Bench 将具身记忆从抽象能力变成可执行的长期交互评测，覆盖视觉细节、动态状态、交互结果和经验迁移四类挑战。研究同时提出结构化外部记忆系统 Embodied-Memorizer，以及能够管理和调用记忆的 EMem-8B 策略模型。

RoboFoundry提出“系统即策略”的具身智能演化框架，不只优化模型或单项工具，而是让上下文、记忆、技能与执行接口共同形成可持续改进的系统。实验显示，该方法在多个具身任务与长期记忆基准上取得显著提升。

HexaFuture 提出 Physical Coding，把机器人所处的世界状态、执行策略和恢复流程表示为可检查、可修改的代码。实验显示，这种由工具、反馈和可复用轨迹组成的架构，有望缓解传统 VLA 模型对固定场景和动作序列的依赖。