谷歌 DeepMind 发布世界模型 Genie 4，单次模拟延长至 120 秒
Google DeepMind 发布新一代世界模型 Genie 4，单次可交互模拟时长从约一分钟延长至两分钟，并首次支持原生音频生成。Genie 4 引入 Gemini 负责规划行动、自身实时生成环境，演示中 Gemini 4 Argon 将任务分解为连续步骤，由 Genie 4 模拟 Apptronik Apollo 人形机器人下跳棋。
#Data and simulation
APPSO · 微信公众号AI 评分7171 机器人全球资讯 · 微信公众号AI 评分7070 智元发布具身 Agent 框架 Genie Master，精灵 G2 便利店边工作边进化
智元发布具身 Agent 框架 Genie Master，搭载该框架的精灵 G2 在真实便利店上岗期间不依赖人工示范与调试，自主定位失败原因、调整策略并沉淀经验，在熟食打包、取货、补货等任务上持续改进，实现无人在环的自我进化。
The Robot Report同新闻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。
同一新闻，精选展示《WorldOracle 世界模型评测平台发布，用真机实测给行业测谎》
甲子光年 · 微信公众号AI 评分4545 2026江苏省AI+科学与工程黑客松收官：Agnes Harness支撑20支团队AI4S原型
2026年江苏省AI+科学与工程创新实践黑客松（高校组）决赛落幕，536支团队报名、20支进入决赛，所有项目均搭建在爱思科技（Agnes）开源的智能体开发与执行基础设施Agnes Harness之上。
AI前线 · 微信公众号同新闻AI 评分7878 Google DeepMind 发布世界模型 Genie 4，支持 24 帧实时交互与原生音频
Google DeepMind 于当地时间 10 月 27 日推出新一代世界模型 Genie 4，称其为迄今最逼真、交互性最强的世界模型，单次生成交互体验最长 2 分钟，上一代 Genie 3 为 1 分钟。
36氪 · 微信公众号精选AI 评分8484 Google DeepMind 发布世界模型 Genie 4，支持实时交互与原生音频
Google DeepMind 于 28 日晚发布新一代通用世界模型 Genie 4，可依据提示词实时生成并修改可交互场景，单次连贯世界维持约 2 分钟、画面约 24 帧/秒。
推荐理由：Genie 4 把实时世界模拟、原生音频与多步推理组合起来，读者可据此判断机器人训练环境正从手工建模转向生成式仿真。
硅星人Pro · 微信公众号同新闻AI 评分7878 谷歌 DeepMind 发布世界模型 Genie 4，接入 Gemini 支持实时生成与任务推理
谷歌 DeepMind 发布新一代世界模型 Genie 4，支持实时生成可探索的虚拟世界，并同步生成物理效果、人物动作与原生音频。Genie 4 接入 Gemini 3.8 Flash 充当实时引导 Agent，负责理解目标、观察环境并规划下一步，演示中在虚拟实验室里模拟机械臂操作。
机器之心 · 微信公众号AI 评分5858 超衍智能发布 35B 模型 Apex-35B-V1.0，21 项基准中 18 项领先 Recursive Flint
清华大学人工智能学院助理教授陈勇超创立的超衍智能发布首个 35B 模型 Apex-35B-V1.0，基于 Qwen3.6-35B-A3B 中训练与后训练，兼顾 Coding、Agent 等通用能力与 AI 研究、计算科学、机器人仿真任务。
机器之心 · 微信公众号AI 评分7373 谷歌 DeepMind 发布世界模型 Genie 4，支持实时操控与原生音频
谷歌 DeepMind 发布第四代世界模型 Genie 4，可实时生成动态环境，用户能用键盘控制角色或镜头，并用自然语言改变天气、添加物体和角色。Genie 4 是谷歌首个原生生成实时音频的世界模型，同时改进了空气动力学、碰撞等物理模拟和人物动作自然度。
雷科技AI 评分5656 谷歌发布Genie 4世界模型：支持实时交互，可生成机器人训练场景
谷歌发布研究预览版世界模型Genie 4，原生支持多模态，可在生成过程中通过指令改变环境、引入新物体和角色，并让原有角色做出反应。该模型与Gemini融合，由Gemini Omni将模拟画面行为逻辑与真实世界锚定，目前只对受邀测试者开放，后续先向Ultra订阅用户开放。
新智元 · 微信公众号同新闻AI 评分8080 谷歌发布世界模型 Genie 4，三大 Gemini 协同驱动机器人动作
谷歌 DeepMind 发布新一代通用世界模型 Genie 4，首次原生生成声音与即兴对话，单次连贯世界维持时间约 2 分钟、实机画面约 24 帧/秒。该模型采用混合世界模型架构，由 Gemini 3.8 Flash 实时控场、Gemini 4 Argon 将任务拆解为 22 步动作指令，驱动 Apollo 机器人下跳棋，并可在仿真中操控 UR5 机械臂完成移液操作。
深蓝AI · 微信公众号AI 评分6060 李飞飞与杨立昆的世界模型之争：一个在卖工具，一个在赌科学
深蓝AI梳理李飞飞World Labs与杨立昆AMI Labs在世界模型上的路线差异：前者做几何一致、可导入物理引擎的显式三维场景，后者用JEPA在抽象表征空间做预测。
人形大讲堂 · 微信公众号AI 评分6262 三篇跨本体论文解读：身体、动作与环境数据仍需人工翻译
文章解读10月24日至26日发表的三篇跨本体研究论文，认为跨本体更像翻译而非模型自发能力。MimicAll用结构化身体条件表覆盖16个系列、4096种身体变体。
Robotics & Automation NewsAI 评分6262 Teradyne Robotics与Sereact合作，用Cortex驱动UR协作机器人处理零售物流
Teradyne Robotics与Sereact宣布合作，将Sereact的物理AI平台Cortex运行在Universal Robots协作机器人上，用于零售、物流和制造中的退货处理、拣选等非结构化任务。
Xbotics具身智能实验室 · 微信公众号AI 评分7171 游洋威团队三项触觉操作成果：PACE、ForeTac与ViTacX
游洋威团队介绍三项触觉操作成果：PACE 入选 CoRL 2026 Oral，在五项真实机器人插装任务中平均成功率达 90.7%；ForeTac 将未来触觉预测用于动作生成。
古月居 · 微信公众号AI 评分6060 星尘OS机器人黑客松收官：17支队伍36小时做出16个真机App
10月25日，星尘智能主办的星尘OS（Astribot OS，AOS）机器人黑客松总决赛在深圳收官，17支队伍用36小时开发，16个App从仿真跑通真机测试，上真机率94%。
中国机器人网 · 微信公众号AI 评分6666 小米官宣21自由度仿生手，基于1827个工厂SOP数据完成闭环验证
小米官宣新一代高自由度仿生手完成从场景需求到工程设计的闭环验证，规格为21自由度、26电机混合驱动、1500点全掌触觉。研发基于小米汽车智能制造部中试中心16个工段、2579个SOP中1827个环节的动捕采集，仿真消融显示17至21自由度区间比6至15区间的平均稳定抓握成功率提升15%至38%。
量子位AI 评分5555 威卡发布具身智能赋能工程机械高质量数据集
威卡移动控制在2026徐州第十届人工智能大会上发布“具身智能赋能工程机械高质量数据集”，并已在Hugging Face等数据仓库上线。数据集第一阶段规模3600万帧，覆盖12类典型作业场景，以统一时间戳同步视觉、激光、位姿、力馈、手柄输入五个维度数据。威卡称挖掘机真机采集成本约每小时5000元，训练一套可用模型大致需要10万小时量级数据。
极客公园AI 评分6363 从斯坦福研究到红海珊瑚，灵波模型如何进入全球具身智能技术底层
极客公园梳理了蚂蚁集团旗下灵波科技（Robbyant）的 LingBot 系列模型在学术、开源社区和产业工具链中的采用情况。斯坦福 OpenWAM 以 LingBot-VA 架构作为参考实现，KAIST 团队用 LingBot-VLA 作教师模型使学生模型单步推理成功率从 35.3% 提升到 51.2%。
简智机器人 · X精选AI 评分6767 简智机器人两个开源数据集进入 Hugging Face 机器人数据集趋势榜前五
简智机器人（GenRobot.AI）宣布，其两个开源数据集 Gen-HumanWholeBody 和 Gen-HumanEgo 均进入 Hugging Face 机器人数据集趋势榜前五。其中 Gen-HumanWholeBody 为第一视角全身操作数据集，包含 600 小时全身操作数据、16,976 个真实场景和 1,281 项人类技能，全身 MPJPE 约 3 cm，作者称其面向全身运动学习、人到机器人迁移和具身基础模型研究。
推荐理由：两个开源数据集进入 Hugging Face 机器人数据集趋势榜前五，可作为观察全身操作数据受关注程度的参照。
HuggingFace Daily Papers精选AI 评分7878 RynnWorld-Latent：以通用潜动作为条件的跨本体世界模型
研究团队提出 RynnWorld-Latent，一个以 RynnLAM 的 3D 接地潜动作作为共享条件接口的跨本体视频世界模型，可在人类交互视频、机器人演示与仿真数据上联合预训练。
推荐理由：该工作提出以通用潜动作作为跨本体共享条件接口，让人类视频、机器人演示与仿真数据可联合预训练世界模型。
HuggingFace Daily PapersAI 评分6666 PDRVLA：引入物理动态表征的视觉-语言-动作模型
PDRVLA 提出轻量物理动态模块，从视觉-语言特征中提取物理 token 来条件化动作生成，无需在线生成未来视频。该模块通过直接预测未来 RGB、深度和光流特征学习，并以冻结的预训练视频世界模型做辅助监督，训练仅使用公开数据并经人到机器人合成、子任务标注和具身思维链（ECoT）标注扩充。
芯东西AI 评分7373 谷歌发布世界模型Genie 4，可模拟空气动力学与碰撞并原生生成音频
谷歌10月28日发布新一代世界模型Genie 4，可模拟空气动力学、碰撞等物理过程，并原生生成音乐、环境音和交互式对话。该模型融合Gemini系列能力，由Gemini 3.8 Flash在循环中拆解多步骤任务，谷歌还演示了其与Gemini Robotics结合模拟Apptronik Apollo人形机器人下跳棋。
GuyuehomeAI 评分5858 TEB与DWA差多少：18次Gazebo麦轮小车仿真对比
作者在Gazebo麦轮小车仿真中对TEB和DWA两种规划器做了18次实验，标题称两者差距达1.65倍。作者还指出规划器全程横移时横移率相差100倍，但轨迹图上完全看不出来。
arXiv cs.ROAI 评分6262 SCRIM：量化模仿学习中的状态关键性
作者提出 SCRIM，一种状态关键性度量，用对抗扰动策略和价值评论家估计专家动作小幅扰动导致的下游价值最坏退化，为每条示教状态打分。这些分数可用于重加权行为克隆损失，也可筛选紧凑的高价值示教子集，在保持性能的同时减少训练数据量。方法在多种仿真与真实机器人操作任务上评估，论文被 CoRL 2026 接收。
arXiv cs.ROAI 评分6060 Semantic World Models：用视觉语言模型预测语义信息做机器人规划
论文提出 Semantic World Models，把世界模型建模为对未来帧语义信息的视觉问答，而非重建未来像素，从而可用视觉语言模型经图像-动作-文本数据监督微调得到。作者在仿真机器人任务上验证，效果优于典型的基于重建的动作条件世界模型。
arXiv cs.ROAI 评分7272 BiDex-100：覆盖100多个仿真任务的双臂灵巧操作基准
作者提出BiDex-100，一个面向双臂灵巧操作的仿真基准，包含106个任务，按泛化、指令跟随、少示教、长时程和记忆五个能力维度组织。每个任务配有受控视觉与空间变化的域外变体，用于评估鲁棒性，并支持两种本体、提供8,080条经成功验证的遥操作示教，共625万帧。作者在统一协议下评测七个近期视觉-语言-动作模型，建立分能力性能、鲁棒性和数据效率的基线。
arXiv cs.ROAI 评分7171 离散动作何时能成为好的连续控制器
该论文比较连续与离散动作策略在单任务回归、多任务VLA训练以及仿真和实机中的表现，发现即使采用最朴素的均匀分箱量化，离散动作预测在任务成功率上也能匹配甚至超过连续动作策略。
arXiv cs.ROAI 评分6969 IDTD：面向仿真到现实系统辨识的信息解耦轨迹设计
作者提出信息解耦轨迹设计框架 IDTD，用 Fisher 信息矩阵导出的 Schur 补分数构造探索目标，并按参数归一化、逐参数选取最优轨迹段后对数聚合，以缓解参数不可区分导致的辨识不可靠。
arXiv cs.ROAI 评分5858 MILD数据集与AprilVINS：面向UMI式操作示教的末端执行器定位
作者提出MILD操作界面定位数据集，包含Insta360 X5与Insight9采集的86段真实传感器序列（覆盖15个重复桌面任务）及Isaac Sim中的MILD-Sim仿真子集，并提供每次执行的机器人末端执行器参考轨迹。
arXiv cs.ROAI 评分6666 多机器人学习式信息路径规划：时空高斯过程卡尔曼滤波框架
作者提出基于网格的时空高斯过程-卡尔曼滤波框架，用于学习式多机器人信息路径规划，用离散工作空间网格上的单一潜变量场表示匿名目标存在，而非为每个目标维护一个高斯过程。
arXiv cs.ROAI 评分7070 从抓取到灵巧操作：面向灵巧操作的大规模抓取预训练
研究团队提出用大规模灵巧抓取数据预训练分层模仿学习框架的低层控制器，再在下游任务示教上微调，以支持关节工具使用中的功能灵巧性。他们从大规模灵巧抓取标注构建了 355k 条轨迹的抓取预训练数据集，并推出包含六项关节工具使用任务的仿真基准 DexCraft。在仿真和实机实验中，该方法优于端到端扩散策略基线和从零训练的分层策略，实机全任务成功率比 DP3 高 33.3 个百分点。
arXiv cs.ROAI 评分6161 LOPAL：利用局部性能感知主动学习从不完美示教中学习
LOPAL 是一种局部性能感知的主动学习方法，用高斯混合模型（GMM）同时编码示教轨迹及其局部质量评估，从而生成优于不完美示教的轨迹。该方法还通过共享自主（SA）机制在数据不足区域主动请求用户纠正，机器人在此过程中自主执行已学行为。
arXiv cs.RO精选AI 评分7878 FTP-1：跨触觉传感器的通用基础触觉策略
研究团队提出 FTP-1，一个跨多种触觉传感器和本体预训练的通用基础触觉策略，用异构编码器把图像、阵列和状态类触觉信号映射为统一的形态感知隐 token，由共享触觉 Transformer 专家联合建模。
推荐理由：该工作把多种触觉信号统一到共享策略中，并给出跨传感器迁移的成功率变化，可供触觉操作研究参考。
arXiv cs.ROAI 评分7171 RePO-VLA：面向视觉-语言-动作模型的恢复驱动策略优化
RePO-VLA提出恢复驱动的策略优化框架，把成功、恢复和失败轨迹赋予不同角色，用于长时序、接触密集的操作任务。该方法先用恢复感知初始化把纠正片段切成新回合，再学习进度感知语义价值函数，并用价值条件精炼让策略偏好高进度动作。
arXiv cs.ROAI 评分6262 S3KF：面向全景3D多目标跟踪的球面状态空间卡尔曼滤波
作者提出S3KF全景3D多目标跟踪框架，基于电机旋转LiDAR与四鱼眼相机，在单位球面S^2上用两自由度切平面参数化建模目标方位，并与框尺度、深度动态联合估计。
arXiv cs.ROAI 评分6565 MO-Playground：面向机器人的大规模并行多目标强化学习
作者提出GPU原生的多目标强化学习算法MORLAX和可pip安装的GPU加速多目标环境库MO-Playground，可在数分钟内近似Pareto集，相比传统CPU方法加速26-271倍，相比此前GPU方法最高加速19倍，同时学到更优的Pareto前沿超体积。团队还实现了自定义BRUCE人形机器人环境，在仿真中针对平滑性、能效和摆臂等6个实际目标学习Pareto最优的运动策略。
arXiv cs.ROAI 评分7171 Boreas Road Trip 发布多传感器自动驾驶数据集，覆盖9条路线643公里
Boreas Road Trip（Boreas-RT）数据集发布，包含9条真实路线、60段序列、共643公里行驶数据，每条路线多次往返，可在相同环境下比较不同交通与天气条件。
arXiv cs.ROAI 评分7272 DeFM：从深度图像学习机器人基础表征的基础模型
DeFM 是一个完全基于深度图像自监督训练的基础模型，采用 DINO 式自蒸馏目标，在 6000 万张深度图像数据集上学习可泛化到不同环境、任务和传感器的几何与语义表征。
arXiv cs.ROAI 评分6767 DreamTacVLA：用触觉世界模型预测未来接触的VLA框架
DreamTacVLA 提出一种将 VLA 模型建立在接触物理之上的框架，通过预测未来触觉信号来学习接触动力学。该模型采用分层感知，将高分辨率触觉图像作为微观视觉输入，与腕部相机局部视觉和第三人称宏观视觉结合，并用分层空间对齐（HSA）损失对齐触觉 token 与腕部、第三人称视图中的空间对应物。