#Robot models and learning

HiFOR：面向视觉-语言-动作模型的动作引导世界检索层级预测框架

HiFOR 提出一种带动作引导世界检索的层级预测框架，用于视觉-语言-动作（VLA）模型。其层级预测通过层级依赖掩码（HDM）联合预测短期状态演化、语义里程碑与最终目标状态，结构感知潜在世界建模沿时间、视角与空间维度组织未来表示，动作引导的因子化世界检索则在去噪过程中按动作表示检索相关未来信息。作者称在两个仿真基准和六个真实机器人操作任务上验证了方法有效性。

AgiBot 发布具身基础模型 GO-3 Preview，三项具身智能基准排名第一

AgiBot 发布具身基础模型 GO-3 Preview，基于自研 WRAM（World Reasoning Action Model）架构统一任务理解、未来状态预测与动作生成，并在 RoboDojo、RoboTwin、RoboColiseum 三项具身智能基准上排名第一，计划于 2026 年底完全开源。

WorldFlow：通过大规模预训练联合预测视频与三维运动

WorldFlow 是一个生成式世界模型，用统一的 Mixture-of-Transformers（MoT）骨干在 rectified-flow 目标下同时去噪视频与查询式三维轨迹，将三维运动参数化为与视频网格对齐的连续位移 token。

WorldBridge：用视频与动作专家桥接世界动作模型的任务泛化

WorldBridge 提出一种世界动作模型（WAM），通过结构化注意力连接独立的视频专家与动作专家，并以联合流匹配训练。在 RoboTwin 2.0 上，仅用分布内视频-动作监督时分布外任务成功率为 25.07%，加入无动作标签的任务视频后升至 55.90%，每任务再加一条带动作标签示范后达 70.70%。

MakerMods机械臂经云端AI自主操控

机器人在云端由AI自主操控。 在Long Horizon Summit上，@Ryan_Resolution向我展示了一个引人注目的演示：MakerMods机械臂通过公开API，由Dream Lab最新的世界-动作模型控制。 @makermodsai @dreamlabs_ai

LEAN：基于强化学习的能耗感知导航规划器发布

作者发布 LEAN，一个基于强化学习的局部能耗感知导航规划器，代码已在 GitHub 开源，论文发表于 IEEE Robotics and Automation Letters。作者称该方法无需用靠近目标作为奖励，而是让智能体从失败轨迹中学习，并给出明确的能耗信号。作者附带的视频对比了该模型与去掉能耗感知的消融版本以及经典 NMPC 规划器在真实环境中的推理表现。

QUAN：用四元数近似网络提升图像分类与旋转目标检测

论文提出四元数近似网络 QUAN，通过 Hamilton 积分解用实数运算近似四元数卷积，并配合自定义 CUDA 内核实现旋转等变图像分类与目标检测。作者还提出独立四元数批归一化（IQBN）以稳定训练，并把四元数运算扩展到空间注意力机制。

特斯拉感恩节投资者参观取消，Optimus 数据采集与“学院”计划受关注

特斯拉今年感恩节未按惯例邀请大投资者参观弗里蒙特工厂，被解读为延长 Optimus 设施的保密期。Scobleizer 的消息源称，人类数据采集“规模巨大”，覆盖家庭与工厂场景；特斯拉约三年前就出现数据采集操作员岗位，需穿戴 30 磅设备。

RynnUnify：16B 统一具身模型结合物理理解与长程视觉规划

作者提出 RynnUnify，一个 16B 统一具身模型，通过视频-语言交错推理把具身理解与长程视觉规划结合起来。该模型覆盖空间推理、物理预测与 grounding 能力，将物理世界理解与跨子任务的视觉预判相连，帖子同时给出代码与论文入口。

Maxinsights 获 3000 万美元种子轮融资，建设物理 AI 训练数据平台

Maxinsights 完成 3000 万美元种子轮融资，由 PeakXV 领投，Tola Capital、South Park Commons、INCE Capital 和 Alumni Ventures 参投，资金用于扩展其物理 AI 数据平台。

Neura Robotics 与慕尼黑工业大学启用 1700 万欧元 RoboGym 并发布 4NE1 Gen 4 人形机器人

Neura Robotics 与慕尼黑工业大学（TUM）在慕尼黑机场附近启用投资约 1700 万欧元的 TUM RoboGym，面积超过 2300 平方米，其中约 1100 万欧元来自 Neura，初期计划运行三年。

NVIDIA RTX Spark Windows 笔记本新增模型、智能体工具与游戏

NVIDIA RTX Spark 笔记本新增 Nemotron 3.5 Transcribe 开放权重语音模型、Liquid AI LFM3 系列模型支持，以及 NVIDIA App 中分配 GPU 资源的智能体资源管理功能。

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。

英伟达与思灵推出人形机器人参考平台Agile ONE SN，计划2027年初上市

英伟达与思灵机器人在GTC柏林大会上推出人形机器人参考平台Agile ONE SN，整合Isaac GR00T与Jetson Thor，计划2027年初推出。

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。

星尘OS机器人黑客松收官：17支队伍16个App跑通真机

星尘OS机器人黑客松总决赛在深圳收官，17支队伍中有16个App从仿真走向真机测试，真机率94%。比赛以一句话生成App为核心赛制，三站共吸引47支队伍，作品覆盖摄影跟拍、老年护理、远程分身等任务。星尘智能以AOS承接GPT-6、Claude等外部工具与自研Lumo模型，向下调度绳驱机器人本体能力。

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》

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。

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。

同一新闻，精选展示《Google DeepMind 发布世界模型 Genie 4，支持实时交互与原生音频》

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。

智元GO-3 Nano Preview登顶RoboDojo评测榜

智元（AGIBOT）的GO-3 Nano Preview在具身智能评测基准RoboDojo最新榜单中以61.90分平均成绩、56.42%平均成功率登顶，超越GPT-6 Astra。该模型在精细操作、长程执行、开放语义理解三个细分维度分别得78.65分、68.21分和61.71分，均列第一。

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。

同一新闻，精选展示《Google DeepMind 发布世界模型 Genie 4，支持实时交互与原生音频》

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。

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。

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。

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。

同一新闻，精选展示《Google DeepMind 发布世界模型 Genie 4，支持实时交互与原生音频》

谷歌发布世界模型Genie 4，支持实时生成与Gemini协同推理

Google DeepMind发布新一代世界模型Genie 4，支持实时生成可探索虚拟世界、模拟物理与人物动作，并原生生成环境音效和对话。Genie 4接入Gemini 3.8 Flash作为实时引导Agent，由Gemini规划任务、观察反馈并调整策略，演示中在生成环境里模拟机械臂实验操作和Apptronik人形机器人Apollo下跳棋。

同一新闻，精选展示《Google DeepMind 发布世界模型 Genie 4，支持实时交互与原生音频》

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。

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。

Jumper：基于参考动作与残差强化学习的螃蟹机器人动态跳跃控制

Jumper 采用参考引导的残差强化学习方法控制螃蟹机器人动态跳跃，参考动作只记录名义轨迹，策略只学习对参考指令的修正量。该方法中蹬地冲量决定起跳速度，弹道决定腾空过程，并以官方策略完成跳跃与边界试验。

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。

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。

丰田推进人形机器人战略，计划部署40万台机器人

丰田正推进人形机器人战略，计划部署40万台机器人，并配套每年64亿美元投入用于工厂自动化。从丰田AI机器人业务分拆的瓦尔登机器人（Walden Robotics）已完成3亿美元融资，投后估值11亿美元，其通用机器人已落地丰田北美工厂。丰田研究院开发的基础模型可将高层指令转化为实时物理动作与电机控制，已用于波士顿动力Atlas，自研50公斤级人形机器人Eley也将搭载该模型。

小鹏机器人业务完成超9亿美元首轮融资，投后估值63亿美元

小鹏集团旗下机器人业务完成首轮超9亿美元融资，投后估值63亿美元，由IDG资本领投，高榕创投参投，腾讯与阿里巴巴作为战略投资者入局。资金将用于软硬件研发、物理AI模型训练迭代、数据采集、量产基地建设与全球商业化拓展。人形机器人IRON全身76个自由度、单手21个自由度，搭载3颗图灵AI芯片，端侧算力2250 TOPS，计划2026年底量产，2027年启动外部交付。

NimbRo 团队谈 RoboCup@Home 参赛与 2026 最佳论文

波恩大学 NimbRo@Home 团队负责人 Raphael Memmesheimer 在访谈中介绍，其团队凭论文《Efficient Image Annotation via Semi-Supervised Object Segmentation with Label Propagation》获得 RoboCup 2026 最佳论文奖。

Physical Intelligence洽谈至少10亿美元新融资，估值或达200亿美元

美国机器人AI公司Physical Intelligence正洽谈至少10亿美元新一轮融资，投后估值预计约200亿美元，较去年11月56亿美元估值大幅上涨。该公司迄今没有商业营收，也未量产自有机器人，核心方向是适配第三方硬件的通用机器人基础模型，已从π0迭代到π0.7，并于本月推出机器人基础模型API测试版，提供模型微调和推理服务。

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。

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%。

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。

科大讯飞发布语音基座大模型SparkAudio 1.0

科大讯飞在2026年全球1024开发者节期间发布依托全国产算力训练的星火语音基座大模型SparkAudio 1.0，支持文本与语音双模态输入、文本输出，可完成语音转写、多语言翻译、多方言识别、环境音识别、说话人分离、情感分析和复杂音频问答。