自动盯住上百个信源，用模型摘要、打分、精选，把同一件事的多篇报道归到一起，每天早上出一份日报。聚焦机器人、AI 与财经投资。
硅谷101邀请三位一线研究者探讨GPT-6 Astra对三个领域的影响。许华哲认为Astra对机器人是飞跃式提升，但速度慢且缺乏物理直觉；朱哲清指出个人Agent商业化面临API限制和身份验证难题；王晟表示Astra在AI制药中能设计实验方案，但真实实验验证仍是瓶颈。
推荐理由：GPT-6 Astra同时冲击机器人、个人Agent和AI制药三大领域，但各领域面临的瓶颈截然不同：机器人需要速度与直觉，Agent需要身份验证，制药需要实验闭环。
Yufeng Liu等人提出Echo框架，结合任务状态信号学习与紧凑设计，在单一视觉语言动作模型中实现状态预测与动作生成。该框架通过停止和失败信号表示任务状态，与机器人动作一起去噪，无需帧级进度标注即可区分执行状态。真实世界操作实验表明，Echo能准确预测任务状态并提升策略性能。
推荐理由：通过任务状态信号与动作联合去噪，Echo让机器人能自主判断任务完成与失败，减少了对细粒度标注的依赖。
Zhaohui Yang等人提出SP-HLM框架，结合五个关键身体姿态与潜在运动先验，实现人形机器人的操作控制。该框架包含SP-VLA视觉语言动作模型预测稀疏姿态，SP-MGM运动生成模型重建全身动作，以及SP-GMT通用运动跟踪器实现全身控制。实验表明该方法在运动跟踪、全身协调和操作成功率上优于现有方法。
推荐理由：通过稀疏姿态驱动接口分离任务意图与全身协调，解决了人形机器人操作中的控制难题。
Likui Zhang提出AtomicRL框架，通过语义感知策略优化(SAPO)和瓶颈自适应目标探索(BATE)解决VLA模型在长时程任务中的信用分配问题。在LIBERO-LONG和CALVIN ABC-D数据集上，相比PPO方法分别提升3.6%和9.5%的性能，结合Real2Sim2Real管道后，实际机器人任务性能平均提升21.3%。
推荐理由：通过原子任务结构解决长时程机器人操作中的信用分配难题，Real2Sim2Real管道使仿真到现实迁移效率提升21.3%。
Zhuoyang Liu等人提出AW-0框架，将代码规划与视频、动作预测整合为三个耦合的生成流，在RoboTwin 2.0和双臂操作任务中表现优于VLA和WAM基线模型。
推荐理由：AW-0框架首次将代码规划与视频、动作预测耦合，为机器人提供了可复用的技能库，弥合了预测与执行间的鸿沟。
研究人员提出SERA（Self-Evolving Robotic Agent）框架，通过可编辑的harness将视觉语言模型组织为机器人智能体，利用环境rollouts实现自我进化。在RoboMME测试中，SERA通过自主选择实现了51.38%的整体成功率，相比没有自我进化的44.38%有显著提升。这种方法解决了历史依赖操作中的非马尔可夫问题，表明智能体规划是解决此类机器人操作任务的有前景方向。
推荐理由：通过可编辑的harness将VLM组织为机器人智能体，利用环境rollouts实现自我进化，解决了历史依赖操作中的非马尔可夫问题。
研究人员提出REACT框架，用于从人-人演示中学习可部署的人形-人交互策略。该框架利用VLM引导的接触建模和重定向管道识别语义上有意义的接触，并将其转移到人形-人几何结构上，同时通过生成式伙伴状态建模预测遮挡视图中的伙伴运动。在模拟和宇树G1人形机器人上的测试表明，该方法在五个接触丰富的交互中表现良好，且完全依靠机载传感器工作。
推荐理由：通过VLM引导的接触重定向和生成式伙伴建模，解决了人形机器人在与人交互时的部分可观察性问题，实现了完全依靠机载传感器的接触丰富交互。
研究人员提出 UniWALM，一种统一的世界-动作-语言模型，在单一共享表征中学习视频、动作和语言。该模型在组合式抓取放置任务中表现优于基线模型，在真实世界的找物品任务中成功率从 11.1% 提升至 61.1%。
推荐理由：通过语言-感知-动作的统一表征，UniWALM 在机器人控制任务中实现了记忆依赖行为，无需外部规划器。
本文提出Vision-Language-Delta-Action(VLDA)范式，将完整未来预测重构为紧凑可操作的转换建模。其核心是紧凑的Delta变量，作为视觉语言理解与动作生成的接口。实验表明VLDA提高了长时一致性、鲁棒性和泛化能力。
推荐理由：通过紧凑的Delta变量作为视觉语言理解与动作生成的接口，VLDA模型降低了机器人学习负担，提升了长时一致性和鲁棒性。
研究表明 GPT-6 Astra 能够直接解释基于视觉的触觉图像并利用其接触线索进行操作，在19个模拟任务中达到93.8%的平均成功率，超过专业基线22.9个百分点。视觉触觉输入下表现优异，纯视觉性能也领先于基线，轨迹分析显示其具有主动探测、谨慎抓取等能力。
推荐理由：GPT-6 Astra 直接解读视觉触觉图像并用于操作，挑战了专业策略在接触密集任务中的垄断地位。
首尔国立大学研究团队开发了Dynin-Robotics，一种能够理解人类指令、预测行动后场景并执行任务的机器人基础模型。该模型在四项真实世界机器人操作任务中平均成功率达78.4%，超过NVIDIA和Physical Intelligence的对比模型。研究论文已被NeurIPS 2026会议接受，将于12月发表。
推荐理由：通过预测场景来指导行动，Dynin-Robotics 在四项机器人操作任务中达到78.4%成功率，超越NVIDIA和Physical Intelligence模型。
研究人员开发了解释性管道研究视觉-语言-动作(VLA)模型的计算机制，发现模型编码的任务指令与绝对工作空间坐标绑定，导致对物体位置微小变化敏感。研究团队发布了Action Atlas平台，包含520+训练好的SAEs、79个识别概念和评分的UR10e回放数据。
推荐理由：通过激活注入揭示视觉-语言-动作模型对绝对坐标的依赖，解释了为何物体位置微小变化就导致任务失败。
研究团队提出 SpatialScout 基准，用于评估视觉语言模型智能体在主动物体级 3D 映射上的能力。该基准包含 80 个多样化室内场景和 3,140 个目标物体，要求智能体控制相机探索场景并估计物体中心坐标。
推荐理由：SpatialScout 揭示了当前 VLM 智能体在主动探索和构建精确 3D 地图上的显著差距，最高分模型仅 41.71%，为具身智能研究提供了新基准。
研究人员提出 VLA-Rolling 框架，通过重用动作尾部减少去噪步骤，在 LIBERO、MetaWorld 等基准测试上实现了最高 1.48 倍加速和 15.08 个百分点的成功率提升。
推荐理由：通过重用被丢弃的动作尾部，VLA-Rolling 实现了更高效的推理，在降低计算成本的同时提高了成功率。
SARAM提出了一种终身学习框架，通过复用冻结适配器和仅在选定层引入新适配器，限制存储增长同时保持GPU内存和推理成本与任务流长度无关。在四个LIBERO套件中，SARAM匹配或超过基于适配器的方法，同时每个任务减少最多4.5倍的磁盘状态。在真实UR5机械臂上的实验进一步验证了其在顺序任务流中的保留能力。
推荐理由：通过复用和稀疏分配适配器，SARAM解决了机器人终身学习中存储和部署成本随任务增长的问题。
研究人员提出EndoVLA-OOV，一种用于机器人内窥镜视野外目标获取的语言条件视觉-语言-动作策略。该策略在跨 embodiment 评估中达到93.3%的目标获取成功率，数据集从312扩展到1050个片段后，成功率从40.0%提升到90.0%。研究团队提供了包含约262k观测-动作对的开源VLA数据集。
推荐理由：语言条件下的视野外目标获取在机器人内窥镜中实现93.3%成功率，展示了语言引导与任务演示扩展的价值。
研究人员提出FIBER框架，使用冻结行为基础模型的潜在空间作为人形机器人多样化操作的共享规划表示。在模拟和真实Unitree G1人形机器人上的实验表明，该框架在箱体拾取、门开启和物体抓取任务中取得了42.0%的平均成功率，显著优于传统运动学规划方法。
推荐理由：通过冻结行为基础模型的潜在空间实现多样化人形机器人操作，成功将多种技能整合为统一规划器。
Yujia Yang提出Scene-Adaptive VLA框架，利用动态层路由根据实时场景调整活跃参数，在Bench2Drive基准测试中，将先进VLA模型的推理计算开销降低53.5%，同时保持驾驶和语言能力几乎不受影响。代码已开源于GitHub。
推荐理由：通过动态层路由将计算开销降低53.5%，为车载VLA模型提供实时推理新思路。
Xinhao Liu 提出了 StopWatch 方法，解决了物体导航任务中的目标定位问题。通过明确目标定位，该方法在六个基准测试上达到了最先进的结果，并修正了这些基准测试中的标注缺陷。分析表明，在真实目标定位的情况下，其策略几乎达到了生成演示的专家水平。
推荐理由：目标定位是物体导航任务中的关键瓶颈，明确目标定位方法显著提升了六项基准测试的性能。
Zhixu Li等人提出LIBERO-PeRM基准测试，专注于具身智能体的偏好学习，包含312个任务和五个研究问题，评估当前VLA策略在零样本个性化、偏好学习和冲突处理等方面的表现。
推荐理由：论文提出了首个针对个性化机器人操作的基准测试LIBERO-PeRM，填补了该领域评估空白。