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。
2026物理AI与世界模型大会在南京举办，戴琼海、谭铁牛等院士及三位图灵奖得主参与。大会发布50个应用场景，成立50亿元物理AI与世界模型投资基金，启动《人工智能世界模型》国家标准预研工作。
琶洲算法大赛世界模型生态合作赛决赛开启，第五届赛事报名队伍突破10100支，覆盖80多个国家和地区，海外队伍超过1100支。
OpenAI和字节跳动进入机器人领域，OpenAI招聘15个机器人岗位，字节将Seed Robotics并入多模态与世界模型负责人管理范围。大厂带着算力、模型、人才和资金从软件压到物理世界，机器人行业将分层，创业公司需在模型、本体或场景中至少占住一层才能获得长期收益。
研究人员提出SkeLAM模型，通过骨架监督分解潜在动作为运动学成分和残差成分，在DROID数据集上相比DreamDojo将末端执行器ADE降低19.5%，LPIPS降低11.1%，实现了零样本人机动作迁移。
同一件事，精选收录的是《Skeleton-Grounded Latent Action Model for Robot World Models》
研究人员提出DiffDreamer框架，将学习到的世界模型与可微分仿真紧密结合，用于四旋翼动态门竞速等任务。该方法通过分解目标函数，分别处理不可微分的任务奖励和可微分的运动奖励，实验显示其在训练收敛速度和最终性能上优于多种基线方法。
推荐理由：将世界模型与可微分仿真耦合，解决了四旋翼控制中环境动态与机器人自身动态的耦合问题，提升了训练收敛速度和最终性能。
本文提出传感器运动对齐（S²）指标，用于衡量模型感官表征与物理运动几何结构的对齐程度。研究发现S²与下游机器人任务成功率呈正相关，可作为闭环评估前的低成本模型筛选指标，还能在微调前识别有前景的视觉语言模型骨干。
NVIDIA扩展了Cosmos平台，新增训练工具、仿真检查点和Cosmos Data Factory蓝图，帮助开发者构建物理AI系统的世界模型。平台提供多模态数据处理、模型微调和优化工具，并已应用于自动驾驶、工业检测等领域。
推荐理由：从数据工厂到模型训练再到部署，NVIDIA Cosmos构建了完整的世界模型开发流水线，工业应用已开始验证其价值。
研究人员提出AW-0框架，整合代码规划与视频预测，使机器人技能可复用且具备物理预测能力。该框架在RoboTwin 2.0和双臂操作任务中表现优于VLA和WAM基线模型，提升了任务性能、语言遵循能力和语义推理能力。
同一件事，精选收录的是《Agentic World Action Models 论文发布》
Yunhao Luo 提出 PhysiCalWorld 方法，通过上下文提示而非微调或物理建模来校准世界模型的实例特定动力学。该方法将探索性交互片段编码为紧凑的物理描述符令牌，显著提高了滚动预测准确性和视觉规划成功率，并在训练物理范围之外表现出泛化能力。
推荐理由：通过上下文提示而非微调实现世界模型的物理校准，为具身智能提供了更准确的场景预测能力。
研究人员提出ALPS，一种预训练的视觉状态编码器，能够统一物理状态信息、原生语言对齐和像素重建三种能力。在LIBERO评估中，ALPS在ViT-B模型中实现了最低的聚合状态探测误差，同时保持了强大的语言对齐和准确的像素重建能力。
推荐理由：ALPS通过统一物理状态、语言对齐和像素重建三种能力，为世界模型提供了更全面的视觉基础。
研究综述提出具身 AI 的显式意图框架，旨在提升人形机器人的任务执行能力。该框架通过明确目标导向行为，优化机器人在复杂环境中的决策效率。
ConfigWM 通过任务条件化状态提取实现可配置感知，在噪声环境中保持稳定的规划成功率，平均领先最强竞争方法 22.3%。物理量探测提升 Pearson r 0.365，分心环境到干净环境的检索准确率提升 75.5%。
千诀科技在2026物理AI与世界模型大会上发布预测式世界模型Polibrain，该模型专注于物理规律理解而非画面预测，已在四足、人形、轮式、双臂等机器人形态上开展适配。Polibrain通过多项式表征和因果记忆机制，实现跨本体智能能力复用，为不同形态机器人提供共享的智能大脑。
推荐理由：不堆画面预测，专注物理规律与跨本体复用，千诀Polibrain为机器人提供共享智能大脑。
生数科技世界模型团队开启Motubrain 2.0训练全流程公开直播，计划持续半个月，向公众展示具身模型的训练过程及研究进展。此次直播将涵盖预训练、后训练、Agent任务执行和RSI探索四个环节，旨在打开具身模型训练的'黑盒'，让外界看到模型如何逐步形成能力。
Slot-JEPA 将密集表示分解为稳定语义槽和时变空间掩码，提供可重用的对象结构化接口。其 Transition Memory Predictor 存储视觉转换为紧凑掩码，通过槽统计检索上下文；Unbalanced Optimal Transport 监督掩码预测并评估候选计划。在七个视觉理解基准和 REALM-JEPA 的六项平面环境及四项机械臂规划任务中表现提升。
OverSeer 引入固定辅助视图增强多智能体世界模型的一致性，在 Minecraft 和 Doom 实验中显著改善世界与智能体状态同步，并通过 delta-VAE 压缩技术降低计算开销。
SuperMimic提出了一种新方法，使用单一可微分世界模型拟合共享动力学，与跟踪策略共同训练，在3小时内超越传统方法7天训练效果，将GPU训练时间减少1000倍以上。该方法在129,514个基准动作中仅失败25个，9.8小时后实现零失败，并能成功迁移到宇树G1物理机器人上。
推荐理由：用单一可微分世界模型替代传统强化学习，将训练成本降低千倍，为机器人控制研究开辟新路径。
研究人员提出PhysCanvas，一种统一多模态的视觉触觉世界模型，用于接触密集型机器人操作。该模型整合多视角RGB、触觉图像、标记位移、任务状态和动作，通过一致性感知后训练将世界模型与真实世界成功率的相关性从0.602提升至0.885，并将策略在真实世界中的成功率从59.1%提升至70.8%。
推荐理由：通过统一视觉与触觉模态建模，PhysCanvas将机器人策略评估与学习的成功率相关性提升至88.5%，解决了仿真与真实世界接触动力学不一致的难题。
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。
研究团队提出 Video-Point Model (VPM)，一种基于多视角视频和语言指令的4D世界模型，可预测未来视频和3D点轨迹。VPM-Data 数据集和 VP-WorldBench 评测基准支持训练，点监督提升视频保真度和3D运动准确性。机器人控制扩展中，动作令牌与视频联合去噪，提高模拟和真实机器人操作成功率。
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。
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%。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。