论文分析智能体式操作策略：AMP1 零样本成功率 85.6%
论文提出智能体式操作策略（AMP），由通用 AI 模型直接控制机械臂并随任务推进调整动作，作者给出的参考实现 AMP1 在单臂、双臂和移动操作上无需改动即可运行。
推荐理由：论文给出通用 AI 模型直接控制机械臂的零样本成功率与实机试验数据，可与 VLA、WAM 专门策略对照。
#Evaluations and benchmarks
arXiv cs.RO精选AI 评分8080
机器之心 · 微信公众号精选AI 评分7878 Northwestern、CMU等提出WOVEN：用2k样本跨领域提升22项基准并给出训练配方
Northwestern、CMU、UNC Chapel Hill 和 Amazon 的团队在论文《WOVEN: Weaving Visual World Modeling into Multimodal LLMs》中把世界建模定义为状态转移 p(s′|s,a) 的估计，并构建了 36K 道题的 WOVEN 训练与测评基座。
推荐理由：论文把世界建模拆成可独立干预的状态转移任务，并给出可复用的训练数据选择规则，对多模态模型训练有参考价值。
众擎机器人 · 微信公众号精选AI 评分8080 众擎与北大发布PyRUA-REAL：真机自进化在RoboDojo达84.42%
众擎机器人与北京大学研究团队联合发布论文PyRUA-REAL，在基础模型参数冻结的设置下，通过研究者与工程师两个编程智能体反复探索、诊断和改代码，把有效做法沉淀为技能与记忆。
推荐理由：论文给出基础模型冻结下靠经验库与双智能体迭代提升真机操作的具体路径和分阶段数据。
HuggingFace Daily Papers精选AI 评分8585 PrimeSim：基于大规模跨本体示教的通用世界模型模拟器
研究团队提出动作条件多视角世界模型模拟器 PrimeSim，在覆盖 22 个平台、30110 小时机器人示教数据上做中期训练，并公开模型权重、推理代码和训练代码。
推荐理由：该工作给出跨22个平台、3万小时示教训练的世界模型模拟器，并公开权重与训练代码，便于对照其长时程稳定性与动作跟随能力。
Xbotics具身智能实验室 · 微信公众号精选AI 评分7878 GE-Sim 2.0 与 π0.5 闭环仿真实测：VLA 训练为何出现奖励作弊
Xbotics 具身智能实验室用智元 GE-Sim 2.0 世界模型与 OpenPI π0.5 策略搭建闭环仿真流水线，实测世界模型生成约 4.33 帧/秒、纯策略闭环约 3.20 帧/秒、接入 MiMo 在线判分后降至约 0.88 帧/秒。
推荐理由：作者用四阶段实测拆解世界模型闭环仿真的帧率瓶颈与奖励作弊成因，可迁移到VLA评估流程设计。
arXiv cs.RO精选AI 评分8080 SimuGuard：审计 LIBERO、RoboTwin 等仿真基准中的接触伪影
作者提出 SimuGuard，一个面向 LIBERO、RoboTwin、RoboCasa 和 RoboDojo 的审计插件，用于识别仿真器而非策略导致的失败。在 RoboTwin 上，作者将这类失败追溯到物理引擎的碰撞检测：几何相距 1 至 2 厘米时引擎报告约 2 厘米穿透，求解器以数米每秒把物体弹出，原因是距离算法丢弃了低于固定面积阈值的三角形。
推荐理由：原文把仿真基准中的失败追溯到物理引擎碰撞检测常量，并给出修复前后的成功率对比，可供做仿真评测的团队参考。
arXiv cs.RO精选AI 评分7777 从遥操作到长程灵巧操作：评估视觉运动技能与离线代理指标
研究团队用五指机械手完成RJ45连接器抓取与插入，在约1700次实机试验中评估了覆盖七个策略族的281个模仿学习策略。受控消融显示观测与动作表征的影响超过常规优化器和采样选择，点云策略中感兴趣区域裁剪、机器人基座坐标系表示和点编码器内归一化各提升成功率70至100个百分点，视觉-语言-动作策略改用绝对动作预测后插入成功率最多提升70个百分点。
推荐理由：约1700次实机试验对比281个模仿学习策略，指出观测与动作表征比优化器和采样选择更能决定实机成功率。
HuggingFace Daily Papers精选AI 评分7676 RoboColosseum：跨四类本体的分布式真实环境机器人策略评测框架
RoboColosseum 是一个分布式评测框架，通过统一策略服务和标准化协议，在多地本地运行的机器人网络上评测通用机器人策略。
推荐理由：该分布式评测框架用 5,699 次配对试验比较 VLA 策略与前沿智能体，揭示跨本体排名不一致与微调后的排序反转。
HuggingFace Daily Papers精选AI 评分7878 VLA模型机制研究：并非所有特征同等重要
该研究提出一套可解释性流水线，发现向动作专家注入任务A的激活可使pi0.5在99.6%的回合（n=1,968）中执行任务A的运动轨迹，且该注入程序绑定绝对工作空间坐标而忽略可见场景，为基准报告的扰动脆弱性提供了机制解释。
推荐理由：该研究用干预实验给出VLA策略脆弱性的机制解释，读者可据此理解模型为何在场景微调后失效。
机器之心 · 微信公众号精选AI 评分7676 清华团队构建HandsOn灵巧操作基准，66项任务评测机器人双手能力
清华大学丁宁团队联合北京邮电大学、北京大学及自然意志Nature Will的研究员构建了面向跨本体灵巧操作的仿真平台与评测基准HandsOn，包含66项人工验证任务和18,000条人类仿真遥操作示范。
推荐理由：读者可了解灵巧操作评测为何要区分执行与迁移，以及当前多任务策略在双手协作任务上的具体失败环节。
自变量机器人 · 微信公众号精选AI 评分7474 自变量发布X2Real仿真评测基准，仿真与真机任务成功率相关性达0.96
自变量发布可进化的仿真评测基准X2Real，其仿真评测与真机评测的任务成功率相关性达0.96、进度分相关性达0.99。
推荐理由：给出了仿真与真机评测的相关性数据和统一接入方式，读者可据此判断仿真评测能否替代部分真机测试。
arXiv cs.RO精选AI 评分7878 冻结前沿VLM直接作为机器人策略在RoboMME记忆依赖操作基准上的评测
研究将冻结的前沿视觉-语言模型GPT-6-Astra直接作为机器人策略，在含16项记忆依赖操作任务的RoboMME基准上测试，模型全程保留整个回合上下文并直接输出每个末端执行器路径点与夹爪指令，无需针对该基准的任何训练。
推荐理由：论文给出了冻结前沿VLM直接作策略在记忆依赖操作基准上的完整对照数据，可据此评估通用模型接管多少具身栈。
3D视觉工坊 · 微信公众号精选AI 评分7676 商汤联合团队评估GPT-6-Astra具身能力并开源SenseNova-RoboRSI框架与27B模型
商汤与香港科技大学（广州）等组成的联合团队发布报告《Has GPT-6-Astra Achieved Embodied Intelligence?》，在12个基准上系统评估GPT-6-Astra的具身能力，并同步开源SenseNova-RoboRSI评测框架与27B具身模型。
推荐理由：报告把模型能力拆成可测条件并给出harness消融数据，读者可据此判断具身能力评估与成本的真实瓶颈。
The Robot Report精选AI 评分7878 WorldOracle 发布动作条件世界模型基准，七款模型预测与真实执行存在偏差
普林斯顿大学、得克萨斯大学奥斯汀分校、多伦多大学、NVIDIA 与 AgiBot 联合推出动作条件世界模型基准 WorldOracle，用同一初始帧和动作序列对比模型预测与真实执行。
推荐理由：该基准把世界模型预测与同一动作的真实执行逐帧对照，并公开失败样本，便于判断模型在长序列上的偏差来源。
Dexmate精选AI 评分7272 Dexmate与CMU发布MeMoREval基准：机器人存相机帧胜过文字描述
Dexmate与CMU推出MeMoREval基准，用先体验后提问的两阶段协议评估具身智能体应存什么记忆，含53个任务和4个模拟室内环境，运行于Vega 1 Pro双臂移动操作机器人。结果显示存储原始相机帧得分70%并写入成本更低，超过文字描述的56至60%，加场景图在所有受测模型中总体成功率最高；该协议也在真实Vega 1 Pro上以SLAM地图和头部相机完成两次记忆检索演示。
推荐理由：基准由平台方与CMU共同提出，帧与场景图的对比结论可帮助做记忆设计选型，实机迁移也给出可行性参考。
智源研究院 · 微信公众号精选AI 评分7575 智源研究院发布 FlagEval-Robo 具身智能评测体系与双榜单
智源研究院 8 月 21 日发布 FlagEval-Robo 具身智能评测体系，推出 FlagEval-Robo-Sim 与 FlagEval-Robo-Real 两大榜单，公开 12 个开源模型的评测结果，所有模型在评测数据集上进行了平等后训练。
推荐理由：评测用统一双轨标尺量化了仿真与真机的性能落差，读者可据此判断仿真榜单成绩的参考边界。
PKU EPIC Lab精选AI 评分6666 PKU EPIC Lab 发布 HumanTracker 人形运动跟踪基准与 HumanScore 指标
PKU EPIC Lab 提出HumanTracker基准，用于人形运动跟踪的评估，被ECCV 2026接收。基准包含约153小时来自多名专业演员的光学运动轨迹，分为四个运动族并带文本标签；配套的HumanScore指标基于包含24K动作的12K运动对训练，与人类偏好对齐，能揭示运动学指标常漏掉的接触与稳定性失败，如脚滑和落地时机错误。
推荐理由：原文提出将人形运动跟踪评估与人的感知对齐的基准和指标，指出现有运动学误差会漏掉足底滑移等接触问题。
Robot.com Holdings Inc.精选AI 评分6868 Robot.com 发布 R-KNav 万小时人行道导航数据集并启动 FoMo 挑战赛
Robot.com 发布 R-KNav 数据集并启动 FoMo 挑战赛，邀请社区用其 R-kiwi 人行道配送机器人车队的真实数据训练视觉导航模型，并在实机上受控评测。
推荐理由：数据来自长期商业运营的配送车队而非仿真，且公布了实机评测的 KPI 口径，可据此评估真实街道导航数据的可复用性。
Berkeley AUTOLAB精选AI 评分6868 CaP-X：面向机器人操作的编码智能体基准测试与改进框架发布
Berkeley AUTOLAB等团队提出CaP-X开放框架，用于系统研究机器人操作中的Code-as-Policy智能体，核心包括交互环境CaP-Gym和评测12个前沿模型的CaP-Bench。
推荐理由：原文给出了Code-as-Policy智能体的系统评测框架和测试时扩展可缓解抽象依赖的发现，对研究编码智能体操作控制有参考价值。
Dexterity精选AI 评分6060 Dexterity 详解 Foresight 装箱智能体的评测方法与生产指标
Dexterity 发文介绍 Foresight 装箱智能体的系统评测与生产测量。规划侧在四组真实仓库箱型分布上测试，密度 0.65–0.77、稳定性 99.7–100%，并用无分布顺序统计量给出 95% 置信区间；文中还发现随机打乱箱子序列会使局部方差坍缩约 1.4 倍，导致评测偏乐观。
推荐理由：原文完整披露装箱智能体的评测方法，包括无分布置信区间和随机打乱带来的评测偏差，方法可迁移到同类系统。
已经到底了