LaLa-World: 通过自然语言动作扩展潜在世界模型
研究团队提出LaLa-World，一种语言条件潜在世界模型，通过语言描述数值动作和视觉变化，实现跨域学习。该模型在MPC规划性能上优于现有LWM，训练成本降低6倍，推理速度提高13.9倍。基于此的LaLa-Policy在LIBERO和RoboCasa上与Cosmos Policy竞争，推理速度提升5.5倍。
推荐理由：用语言描述动作和视觉变化，让单一预测器跨域学习，6倍降低训练成本仍保持规划性能。
全部科技财经动态
HuggingFace Daily Papers精选AI 评分7070 HuggingFace Daily Papers精选AI 评分6565 迈向物理AI中的递归自我改进
该论文探讨了递归自我改进(RSI)在物理AI中的应用，分析了机器人学习中的能力改进与改进过程改进的路径，并总结了现有研究的评估原则和研究方向。
推荐理由：递归自我改进机制在物理世界面临学习成本与安全挑战，现有研究尚未完全证明递归增益的独立性。
HuggingFace Daily Papers精选AI 评分7070 Self-Distilling Future Video Representations for World Action Models
研究人员提出FRED框架，通过自蒸馏方法提升世界行动模型(WAMs)的未来视频表示质量。该框架在真实操作场景中表现优异，特别是在长时程和跨领域任务上，零样本泛化能力显著提升，人机技能迁移成功率从19.4%提高到50.0%。
推荐理由：通过自蒸馏提升未来视频表示质量，使机器人零样本泛化能力提升近2.6倍，人机技能迁移成功率突破50%。
钛媒体精选AI 评分8585 Dyna Robotics：被部署教训了300天后，找到机器人Scaling Law
Dyna Robotics分享了从Dyna-1到Dyna-2的两年历程，包括从VLA模型转向世界动作模型，使用100万小时第一人称人类视频预训练，发现机器人数据规模定律。公司强调真实部署是衡量机器人的唯一评估，模型、数据和硬件必须共同进步才能实现商业化落地。
推荐理由：从演示到真实部署的300天，机器人Scaling Law的探索揭示了数据规模与系统落地的关键张力。
HuggingFace Daily PapersAI 评分4545 ActionRoPE: 平面相机游戏世界模型中的空间一致性行动控制
研究提出 ActionRoPE 接口，将行动驱动的相机位移转换为世界坐标旋转位置，使同一世界位置的 token 保持时间一致性。Coordinate-Conditioned Noise Scheduling 根据已知-新结构分配去噪调度，减少重访漂移 66%。该方法适配 1.3B 至 33B 参数的视频骨干模型，并可迁移至分布外场景。
HuggingFace Daily PapersAI 评分4040 物理 RSI 能力来源：LLM-as-policy 的观测缩放定律
研究通过 PhysRSI-eval 评估 VLM 在 18 项操作任务中的物理递归自改进机制，提出物理桶假说，分析能力对改进的约束作用，并发现场景适应与可复用经验可共存。
HuggingFace Daily PapersAI 评分4545 KronLSTM：基于 Kronecker Delta Rule 的长上下文线性注意力架构
研究提出 KronLSTM，一种基于 Kronecker Delta Rule 的线性注意力架构，通过最小化内存干扰机制提升长上下文语言建模性能。实验显示其优于现有线性注意力架构，尤其在长上下文基准测试中表现突出。代码与模型已开源。
财联社电报AI 评分4545 江苏发布物理AI高质量数据集建设行动计划（2026—2028年）
江苏印发《物理AI与世界模型高质量数据集建设行动计划（2026—2028年）》，深化省属企业数据集建设示范效应，推动能源、路网等领域物理AI高质量数据集建设。计划建立开放共享与普惠机制，向中小企业、高校、初创团队提供授权使用服务，降低数据获取和使用成本。
HuggingFace Daily Papers精选AI 评分6565 Vision-Language-Delta-Action: 学习紧凑Delta作为机器人操作的可操作转换接口
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。
HuggingFace Daily Papers精选AI 评分6565 State World Models: 执行规则，生成像素
研究人员提出Stateful Harness框架，将世界状态演化与视频渲染分离，构建了WorldState-Bench基准测试。在50组反事实双胞胎对测试中，完整框架使模型在隐藏状态下遵循规则的能力达到92%，远高于单独视频模型的32%。
推荐理由：将世界状态演化与视频渲染分离，使模型在隐藏状态下遵循规则的能力从32%提升至92%，为具身智能交互提供了新思路。
arXiv · cs.RO精选AI 评分7070 RoboValue: 用于机器人价值模型统一评估的细粒度仿真与真实世界基准
研究人员提出RoboValue基准，用于统一评估机器人价值模型，涵盖任务状态理解、时间进度监控、故障恢复推理和价值一致性四个维度。该基准包含15个仿真和20个真实世界操作任务，评估结果显示现有模型在细粒度指令锚定、历史依赖进度跟踪和恢复评估方面存在错误。
推荐理由：RoboValue基准揭示了现有机器人价值模型在细粒度评估中的不足，为价值监督提供了具体改进方向。
arXiv · cs.ROAI 评分3535 基础模型驱动的光流估计方法
该研究融合冻结的 DINOv2 和 Depth Anything V2 模型特征，通过可训练 transformer 匹配管道实现光流估计，在 Sintel 数据集上达到 2.37 EPE，优于 FlowSeek (T) 的 2.52。RoCo-Spring 2026 参赛方案获得 1.1038 平衡分数，代码已开源。
arXiv · cs.ROAI 评分4545 农业操作中的视觉-语言-动作模型机器人学习
研究开发仿真到现实的机器人学习框架，结合预训练通用策略 Octo 和 π₀.₅ 进行农业抓取任务。π₀.₅ 在任务性能和分布偏移鲁棒性上优于 Octo，验证了预训练策略与任务特定演示学习的潜力。
arXiv · cs.ROAI 评分4545 Prior-Informed Adaptation 在自主赛车模型强化学习中的应用
Prior-Informed Adaptation (PIA) 框架通过预训练世界模型并利用不确定性正则化规划实现快速适应，在仿真中比基线方法更快适应赛道和路面变化，硬件测试中仅需不到一小时车载交互即可实现可靠少样本适应。
arXiv · cs.ROAI 评分4545 PICA-WAM：通过跨外观自对齐提升世界行动模型的视觉扰动不变性
PICA-WAM 提出一种自监督训练框架，通过跨外观自对齐任务提升世界行动模型（WAM）对任务无关视觉扰动的鲁棒性。在 RoboTwin 2.0、LIBERO-Plus、EBench 和真实机器人测试中，PICA-WAM 显著提升视觉扰动下的成功率，同时保持仿真性能。该框架通过 EMA 教师模型和轻量投影头对齐浅层动作表示，减少视频特征对无关外观的敏感性。
arXiv · cs.RO精选AI 评分7070 GPT-6 Astra 是一种接触密集操作的原生视觉触觉策略
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。
arXiv · cs.ROAI 评分4545 物理递归自我改进能力的来源：基于LLM-as-policy的观测缩放定律
研究通过PhysRSI-eval五轴指标量化物理RSI，在18个操作任务中评估不同VLMs，提出物理桶形假说。分析显示高分数未必伴随早期高效提升，且场景适应与可复用经验可共存。
arXiv · cs.RO精选AI 评分6565 Physical Words: 一种用于机器人操作中结构化潜在推理的词汇
研究人员提出PhysWord，一种基于Physical Words的推理-行动基础模型，使用原子动作动词作为物理动态的共享语义锚点。该模型在visuotactile UniVTAC上达到90.3%的成功率，在vision-based LIBERO-Long上达到99.6%的成功率，并在使用双夹爪和灵巧手的真实世界任务中优于竞争方法。
推荐理由：用原子动作动词作为物理动态的语义锚点，PhysWord在机器人操作任务中实现了90.3%和99.6%的成功率。
arXiv · cs.RO精选AI 评分8080 Ropedia W0: 利用人类经验扩展跨具身体的运动-操作世界模型
研究团队提出Ropedia W0，首个涵盖人类和多样化机器人的运动-操作世界基础模型。该模型基于Xp-Data数据集（包含1万小时人类第一视角数据和3千小时机器人数据）和统一的多模态注释，通过统一运动学表示编码运动和操作。在五个跨具身基准测试上达到最先进性能，并支持实时长时间运行，可用于VR交互、策略评估和基于模型的规划。
推荐理由：通过统一运动学和投影骨架表示，首次实现跨人类和机器人的世界模型，为具身智能决策提供新基础。
HuggingFace Daily PapersAI 评分3535 AnyGoal: 世界模型在专家轨迹泛化之外的研究
AnyGoal 引入基于世界模型环境的基准测试，评估模型在重组熟悉状态-动作因子时的泛化能力。研究发现当前模型在目标偏移预测和规划中普遍存在动态与表示失败。该开源框架为评估世界模型在新任务中的泛化进展提供基础。
钛媒体AI 评分7575 DeepSeek发布V4.1-Flash-1017模型，强调工程能力与具身智能布局
DeepSeek发布DeepSeek-V4.1-Flash-1017版本，通过基于自反馈的强化学习提升从零构建完整项目的能力，在SWE v1.1和Terminal-Bench 4.0评测中表现优异。同时，DeepSeek在具身智能领域进行多笔投资，包括宇树科技、Winverse AI和逐际动力，加速从数字世界向物理世界延伸的战略布局。
HuggingFace Daily PapersAI 评分4545 Fréchet Forcing: 从短片段训练长时序流式世界模型
研究提出 Fréchet Forcing 方法，通过生成锚定、上下文保真度和现实匹配三个约束，在 381 帧片段上微调 MiniWorld-1B 模型，使其在机器人操作和相机控制探索中生成超过 4,000 帧的稳定预测，无需教师模型或长视频训练。
雷锋网AI 评分7575 复旦贾萧松：VLA、WAM新架构层出不穷，但真正的瓶颈不在模型架构
复旦大学可信具身智能研究院助理教授贾萧松分享了他从自动驾驶到具身智能的研究历程，指出技术路线从模块化到端到端，从模仿学习到强化学习，再到世界模型的转变。他认为模仿学习存在根本局限，强化学习才是解决复杂决策问题的关键，但面临规模化挑战。具身智能领域将面临与自动驾驶类似的问题，需要先模仿再强化，并通过世界模型提高训练效率。
TechXplore · Robotics精选AI 评分7575 首尔国立大学开发Dynin-Robotics模型，预测未来场景指导机器人行动
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。
HuggingFace Daily PapersAI 评分5555 StreamEval: 评估交互式流式视频生成模型
StreamEval 是一个统一的交互式流式视频生成基准，涵盖五个任务：头像对话、头像表演、世界生成、指令编辑和参考编辑。该基准包含300个测试用例，通过四个维度评估模型性能：任务执行、状态一致性、视觉保真度和视听协调。评估37个模型后发现，高视觉质量和身份保留并不一定可靠的任务执行或持续的状态一致性。
HuggingFace Daily Papers精选AI 评分6565 智能体缓存工程研究
Tianyu Fu等人提出了一种新的缓存工程方案，允许智能体直接控制KV缓存而不修改轨迹或重新填充保留上下文。实验显示，该方案在基准测试中平均提高1.7分，降低27.7%成本，并实现1.2倍输出吞吐量和1.5倍P95请求延迟加速。
推荐理由：通过直接控制KV缓存而非修改轨迹，解决了智能体长任务中的缓存效率问题，但历史依赖性给服务引擎带来新挑战。
HuggingFace Daily Papers精选AI 评分7070 视觉-语言-动作模型的机制性研究：特征并非平等创建
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。
HuggingFace Daily Papers精选AI 评分6565 WorldStream: 通过分层规划和持久状态实现流式交互3D世界
研究人员提出WorldStream，一种开放式的3D世界模型，具有三个同时实现的能力：扩展可玩地形超越任何预定义地图、在运行世界中响应开放式语言指令、恢复访问地点及其编辑状态。
推荐理由：通过分层规划和持久状态实现无限扩展的3D世界，突破预定义地图限制，为开放世界交互提供新思路。
HuggingFace Daily PapersAI 评分4545 具身智能体在多样化虚拟世界中的持续预训练扩展研究
研究通过持续预训练（CPT）探索数据量、多样性和模型规模对具身智能体在虚拟世界中的性能影响，覆盖0.8B至27B参数模型、50至1600小时数据及多世界混合训练。结果显示数据量提升同领域性能，多样性增强相关世界迁移能力，模型规模提高数据效率但远距离泛化受限；模型在3D世界中与专业模型竞争，实时表现最佳。
HuggingFace Daily Papers精选AI 评分7070 AgenticRoboRL: 将编码智能体后训练引入具身机器人
研究团队提出AgenticRoboRL框架，通过监督微调和多轮强化学习对机器人规划器进行后训练，在LIBERO-PRO上将9B参数规划器的成功率从18.1%提升至71.0%，接近Codex(GPT-5.5)水平。该框架通过特定适配器连接记录的规划器交互与任务结果，支持不同执行机制。研究团队将发布框架和训练好的规划器检查点。
推荐理由：通过后训练将9B参数机器人规划器成功率从18.1%提升至71.0%，接近Codex(GPT-5.5)水平，证明后训练对机器人规划器有效。
HuggingFace Daily PapersAI 评分4545 RoboCasa-Shift: 长时程家务操作中视觉-语言-动作策略的阶段感知鲁棒性评估
RoboCasa-Shift 基于 RoboCasa365 构建鲁棒性评测基准，通过单因素扰动和阶段感知诊断分析 GR00T N1.5 在四项长时程任务中的表现。评测涵盖四种扰动因素和三级严重程度，共 1,040 次正式测试，发现鲁棒性随任务和因素变化显著，且退化模式存在非单调性。代码已开源。
Google新闻·Humanoid+Embodied(英)AI 评分3030 Physical AI 如何通过数据与世界模型驱动机器人工作
Physical AI 结合数据与世界模型实现机器人自主决策，支持具身智能任务。该技术依赖物理交互数据训练，构建环境认知能力，推动机器人从预设程序向自适应行为演进。
Google新闻·Humanoid+Embodied(英)AI 评分3030 中国人形机器人推进测试具身 AI 潜力
中国人形机器人发展测试具身 AI 潜力。相关进展未提及具体产品或参数。
量子位AI 评分6565 2026物理AI与世界模型大会医疗健康世界模型分会场在南京举行
2026年10月19日，医疗健康世界模型分会场在南京举行，汇聚院士专家和产业代表，围绕疾病状态演变、干预响应推演等关键问题展开交流。分会场发布了医疗世界模型高质量数据集、一体机、专病模型等六方面创新成果，推动医疗人工智能从回答问题走向推演病程变化。
MIT Technology Review · AIAI 评分6565 研究人员将 Claude 置于虚拟荒岛，AI 智能体开始自发'游戏'
MIT 研究人员将 Claude Opus 4.7 的副本 Eko 置于虚拟荒岛 30 小时，AI 智能体自发探索、创造游戏和绘制星座，表现出类似人类和动物的四种游戏特征。实验表明这种'游戏式学习'可能成为 AI 训练的第三种范式，且有助于提升后续任务表现。
财联社电报AI 评分3232 张建伟：汽车产业正向端到端世界模型演进
张建伟院士指出，汽车产业正从ChatGPT向CarGPT（汽车端到端世界模型）演进，这将定义未来智能汽车品牌的核心竞争力。
IT之家精选AI 评分7878 大晓机器人发布具身基模型 ACE-Brain-0.6
大晓机器人发布视觉空间锚定增强型具身基模型 ACE-Brain-0.6，基于 Qwen3.5-9B 进行监督微调，在八项 Grounding 评测中有六项超过 OpenAI GPT-6 Astra，真实机器人场景评测 RobotGrounding 得分 94.13 分。
推荐理由：国产模型在空间感知评测中超越国际巨头，具身智能赛道正迎来技术突破期。
Google新闻·Humanoid+Embodied(英)AI 评分3030 人脑信号或用于训练下一代人形机器人
研究显示人脑信号可训练下一代人形机器人。该技术通过脑电波数据优化机器人动作控制，提升环境适应能力。目前处于实验阶段，尚未公布具体参数或应用时间表。
Google新闻·人形机器人(中)AI 评分3030 对话孙立宁：从拧瓶盖到能做饭，具身智能离真正理解环境还有多远？
孙立宁探讨具身智能从拧瓶盖到做饭的能力演进，分析其理解环境的差距。
Google新闻·Humanoid+Embodied(英)AI 评分3030 X-Humanoid 发布统一具身模型与自进化机器人路线图
X-Humanoid 公布统一具身模型与自进化机器人政策路线图。该路线图聚焦于构建多模态感知与自主决策能力。