#Research

美团机器人发布 MR0 桌面操作视觉-语言-动作基础模型

美团机器人团队发布 Meituan-Robotics-0（MR0），一个面向固定底座桌面操作的视觉-语言-动作基础模型与具身智能体系统，训练数据包含 1.47 亿视觉-语言样本和 15060 小时、覆盖 12 种本体的机器人轨迹。

Q-OIL：基于人类干预的乐观探索强化学习方法

作者提出Q-OIL，在强化学习中对干预转移加入乐观奖励并软性引导探索朝向人类纠正，在仿真和真实机器人上成功率比竞争基线高10-50%。研究先分析真人干预数据，发现人常在智能体进展停滞时介入且纠正动作往往次优，据此建立基于进展的人类干预模型，使仿真中的算法排序与真实用户排序相关性更高。作者指出解耦评论家对稳定性关键，可防止奖励回传到干预前状态，该方法还提升了两个双臂操作任务上的预训练VLA。

苹果公开人形机器人控制系统HALO，宇树G1陌生环境任务成功率91%

苹果研究团队在arXiv发表论文《Perceptive Humanoid Motion from Simulation》，公开人形机器人自主控制系统HALO，并在宇树G1上验证。

同一新闻，精选展示《苹果公开 HALO 人形机器人研究：宇树 G1 背 Mac mini 跑千问，陌生家庭任务成功率 91%》

苹果在arXiv披露人形机器人自主控制系统HALO并开源代码

苹果研究团队近日在arXiv披露人形机器人自主控制系统HALO并开源相关代码，主要验证语义层零样本迁移的可行性。新浪财经指出，该成果对A股板块的影响更偏叙事强化，受益方向集中于补齐触觉感知这一技术短板的相关环节。

面向鲁棒强化学习的库与基准发布，用于衡量策略在扰动和分布偏移下的表现

作者发布了一个鲁棒强化学习库与基准，用于衡量策略在扰动和分布偏移下的存活能力，并附代码与论文。正文指出，现有鲁棒强化学习算法机制丰富，但算法复用性有限、经验能力边界不清，这两点限制了其潜力。

苹果发布 HALO 人形机器人系统论文，在宇树 G1 上实现零样本迁移

苹果研究团队在 arXiv 发布论文《Perceptive Humanoid Motion from Simulation》，推出人形机器人自主系统 HALO，并在宇树科技 G1 上完成实景验证，同时开源数据生成、训练与部署代码。

英伟达等提出TacitVLA：让动作不等推理文本，延迟最多降3.4倍

英伟达、纽约大学等团队提出TacitVLA，训练时照常写推理文本，但通过attention mask让action expert看不到推理token，动作不再等待文本生成。

港科广与欧拉万象提出 SLA 空间—语言—动作模型

香港科技大学（广州）与欧拉万象等团队提出 SLA（空间—语言—动作模型），以 π0.5 为基础，在持续预训练和任务训练两个阶段加入三维空间监督。在目标移动测试中，SLA 完成抓取、双手交接和放置的成功率为 76%，π0.5 为 42%；八项真机测试平均成功率 83.8%，比 π0.5 高 24 个百分点。

SuperMimic 解读：可微世界模型如何把人形机器人全身控制训练搬到单卡

SuperMimic 提出一种人形机器人动作跟踪框架，用可微世界模型配合 32 步反向传播推演，在动作库规模较大时降低训练算力需求。该框架以确定性增量模型刻画物理规律，并把真实状态作为想象推演的起点。原文为深度解读，正文仅提供摘要。

Long-WAM 解析：用自回归视频预训练做长程机器人决策

Long-WAM 通过自回归视频预训练学习视觉动态，并用非对称因果注意力连接视频与动作专家，实现基于历史信息的长程决策。其做法是在潜空间预测未来帧，结合历史信息生成动作块，支持流式编码与异步执行。

用 GPT-6 构建可交互 USD 资产：从 USDCraft 到仿真柜门

USDCraft 面向机器人仿真中的关节物体重建，给定可能缺面、粘连的扫描网格和一张参考照片，由预训练语言模型编写资产程序，再经测量、编译、几何重检和渲染逐步修正。材料仅提供摘要，未展开具体实现细节与结果。

Zetta 提出可演化执行支撑系统，让冻结机器人策略从失败中积累能力

Zetta 提出一种可演化的执行支撑系统（Harness），通过运行时监测、恢复动作与工具封装，处理机器人操作中抓取滑落、接触丢失等问题。其核心是把固定策略与可更新的监测（Critic）、恢复（Rec）模块分离。材料仅有摘要，未给出实验数据与具体实现细节。

RSI-Anything 深度解析：从世界模型、经验记忆到具身纠错的能力闭环

RSI-Anything 通过构建递归自我改进闭环，解决真实反馈稀缺下的高效学习难题。它将世界模型（如 JEPA-Anything）融入策略生成、预测评估与反馈分配流程，实现候选优先级排序与有限资源的精准分配。

清华等提出 ART 框架：让 VLA 模型即插即用调用工具，成功率提升约 20%

清华大学等机构提出 ART（Agentic Robot with Tool-use）框架，可把任意端到端 VLA 模型微调成能即插即用调用外部工具的智能体。该方法用 3 万条工具调用轨迹和两段式 LoRA 微调，在 LIBERO 仿真与真实 Astribot S1 机器人上平均成功率分别约 75% 和 62%，较 OpenVLA、π0 等基线提升约 20%。

Amodal3R、InstaScene、3D-Fixer、SOAP：三维重建如何补全相机看不到的区域

ICCV 2025 的 Amodal3R 直接在 3D 潜在空间中完成遮挡推理与几何生成，用可见区域掩码和遮挡区域掩码保留真实观测并推断被遮挡的几何与外观。

WorldFoundry：面向世界智能的统一开源基础设施

WorldFoundry 提出面向世界智能的开源基础设施，用于视频、3D 与 4D、具身动作和交互式世界系统的可复现推理与评测。该工作将生成式世界模型定义为维护持久、以历史为条件的状态表示，并能响应动作或干预、生成时间一致轨迹的预测动力系统。其目录收录 270 个模型条目、74 个基准和 62 个指标条目，并通过清单、产物契约和证据感知评分卡将执行就绪与评测结论分开记录。

苹果发布HALO系统，让宇树G1零样本完成钻桌底、穿门缝等全身技能

苹果发布HALO人形机器人全身运动控制系统，通过程序化生成1000个虚拟住宅场景、合成近300小时配对数据，让Unitree G1掌握坐椅、侧身穿半开门、桌下蹲伏、推箱等技能。

同一新闻，精选展示《HALO：从仿真合成数据训练的人形机器人自主系统实现零样本实机迁移》

中兴通讯发布 EmbodiedMind 论文，用前缀树强化学习提升机器人长程规划

中兴通讯发布论文《EmbodiedMind: Adaptive Data Curation and Prefix-Tree Reinforcement Learning for Efficient Embodied Intelligence》。

源策未来发布人形机器人全身控制模型 Anchor 1

源策未来发布全身控制模型 Anchor 1，定位为全身智能架构中的 System 0 小脑层，以骨盆、左右手腕、左右脚踝五个锚点为指令，不依赖在线重定向。

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。

DexRoam 提出从第一视角人类全身示范学习移动双臂灵巧操作

香港科技大学、北京智源研究院、北京大学等机构联合提出 DexRoam，用第一视角人类全身示范训练移动双臂灵巧操作策略，该工作已被 CoRL 2026 接收。系统通过本体对齐、动作语义对齐和时间对齐三阶段缩小人机动作分布差异，MMD 与 SWD 指标分别平均降低 41.7% 和 31.1%。

米哈游联合清华等开源 GameScaling 通用游戏智能体模型

米哈游联合清华大学、香港大学、新加坡国立大学等机构开源 GameScaling 系列通用游戏模型，覆盖 0.8B、2B、9B、27B 四档共八个模型，权重与推理代码以 Apache 2.0 协议发布。

ETH Zurich 用实验室培养肌肉让1.5厘米机器人单次收缩跳起5毫米

ETH Zurich 研究人员通过改变肌肉与机架的连接方式，让一个1.5厘米机器人单次肌肉收缩跳起5毫米。他们将肌肉与柔性3D打印支架一起设计，支架上的细小凹槽帮助肌纤维排列整齐，并提供牢固的受力点。

密歇根大学提出Auto-Robotist：用LLM技能库积累机器人设计经验

密歇根大学安娜堡分校团队提出AI机器人协同设计智能体Auto-Robotist，相关工作已被EMNLP 2026主会录用并开源。该系统用大语言模型在搜索中整理设计笔记，形成可修订的技能库，指导机器人结构搜索与PPO控制器训练。在EvoGym七项软体机器人仿真任务上，其平均最终最优得分高于遗传算法GA，平均收敛加速1.66倍，并可将5×5网格经验迁移到10×10设计空间。

安富利联合国家地方共建人形机器人创新中心发布76页具身智能芯片选型白皮书

安富利联合国家地方共建人形机器人创新中心出品76页白皮书（2026年8月），以五大功能域和六大核心模块为框架，拆解异构计算负载与平台适配、多轴实时控制、灵巧手集成等10类产业落地挑战。

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。

智源提出ArtHOI：用视频先验重建四维人-物交互

智源研究院提出ArtHOI，利用视频先验在无配对3D数据条件下实现4D关节人-物交互的高精度重建。该方法面向人-物交互重建任务，核心思路是以视频先验替代配对3D数据。

DuoMind：用语义通信实现多机器人协作，并构建 RoboPoly 基准

研究团队提出 DuoMind 分布式分层框架，为每个机器人配置基于 VLM 的协调器和基于 VLA 的动作模型，通过交换当前意图、预期子目标、任务状态判断和不确定性四类语义消息实现协作。

FWL-ToPM 与 FWLAug：面向实时全波形激光雷达 Transformer 的 token 剪枝与物理感知增强

研究提出 FWL-ToPM 与 FWLAug 两项方法，用于解决全波形激光雷达（FWL）Transformer 的冗余 token 计算开销大和标注数据稀缺导致的泛化不足。

SLA：通过持续预训练扩展空间-语言-动作模型

研究提出 SLA 空间-语言-动作模型，从预训练的 pi05 策略初始化，在持续预训练中联合优化动作预测与中间视觉嵌入对冻结 3D 感知模型空间表示的对齐。团队统一了跨本体、任务和场景的异构机器人数据集，并引入特征相关门控自适应聚合多层视觉嵌入，教师模型可利用部分可用的深度与相机标定信息。所有辅助组件仅在训练阶段使用，推理架构保持不变。

VFlash 提出 Flash Primitive Decoding，加速视觉规划并降低轨迹预测误差

VFlash 提出 Flash Primitive Decoding 方法，利用视觉图元已知结构在一次前向中联合预测整段图元坐标，而非逐 token 自回归生成。

A2-MEAS 提出以代码为扩展接口的具身多智能体框架

研究团队提出具身多智能体框架 A2-MEAS，以代码作为扩展接口，通过纠错编码结合纠错语言、空间证据、执行历史与动作提议，并由 MetaBrain 提供训练监督和运行时指导。

KAIST与NVIDIA提出DreamX：用视频扩散模型读出跨身体潜在动作

KAIST与NVIDIA提出DreamX，把预训练的Cosmos-Predict2.5 2B视频扩散模型当作动作提取器，用可学习查询从骨干时空表示中读出每潜帧4个token的潜在动作，在人类视频与机器人视频混合训练后实现跨身体迁移，无需人类—机器人配对数据。

清华与伯克利开源 uni-robot-agent 统一机器人 Agent 框架

加州大学伯克利分校与清华大学联合团队发布论文并开源统一机器人 Agent 框架 uni-robot-agent，为通用开源大模型连接仿真环境与真实机器人提供可复用工程基础。

LiberAI 发布世界动作模型 Liber-0，并公开技术报告与在线模拟器

刘松铭创立的 LiberAI 发布新一代世界动作模型 Liber-0，采用语言、视觉、动作三专家流与 Multimodal Attention 联合预测未来画面和动作。

NeurIPS 2026 论文 RePO-VLA：双臂机器人受扰恢复成功率提升至75%

中山大学、鹏城实验室等机构提出 RePO-VLA，通过切分恢复轨迹、训练进度感知语义价值函数并做价值条件微调，让双臂 VLA 策略在扰动后继续推进任务。研究同时构建 FRBench 失败—恢复基准，RoboTwin 仿真含 46 项双臂任务、23,453 条轨迹。真机在倒水和叠毛巾任务上，每任务恢复演示从 50 条增至 200 条时，平均受扰成功率依次为 30%、65% 和 75%。

厦门大学与南洋理工提出RoTA-Bench：交互式投影对齐评测三维位姿推理

厦门大学与南洋理工大学团队提出RoTA-Bench，用交互式3D-to-2D投影对齐评测视觉语言模型能否根据视觉反馈精确调整物体三维位姿。基准包含674个任务，其中100个为冻结测试集，模型需在24种离散旋转动作中选择，使投影与目标轮廓IoU达到0.90。

Asim 正在为人形机器人构建真实世界物理智能基准，聚焦灵巧操作

YC F26 孵化公司 Asim 联合创始人 Tristan 表示，团队正在构建面向人形机器人物理智能的标准化基准，重点评估灵巧操作能力。该基准通过可重复场景考察空间推理、抓取适应、协调性及机器人对物理交互的响应，目标是定位能力失效点并提供可复现的失败案例。团队同时提出需解决硬件、传感器与控制接口差异带来的可比性问题。

南科大提出GNFormer：用高斯神经场做高效三维占用预测

南方科技大学团队提出GNFormer，用高斯神经场（GNF）做基于相机的三维占用预测，让高斯负责定位重点区域、小型MLP负责判断占用与语义。室内场景仅用256个高斯，占用准确率从参照方法FLM-Occ的71.7%提高到74.3%，推理也更快；室外单目与六相机环视场景使用1024个高斯。论文指出该方法仅处理单帧图像，未报告真实机器人闭环导航或避障效果，速度仍落后于部分流式方法。

港科大沈邵劼团队提出RAVEN：统一无人机主动探索与回环定位的主动SLAM框架

港科大沈邵劼团队提出统一主动SLAM框架RAVEN，用效用向量分别量化探索效率与定位精度，按帕累托最优选全局游览，并由优先级参数λ（0~1）决定偏探索还是偏定位。