Kimi发布K3.1 Pro模型，提速并探索具身智能方向
Kimi发布K3.1 Pro模型，推理速度显著提升，在多项评测中表现优异。模型增加了后训练投入，改进了长上下文处理和任务执行能力，价格降至每百万输出token 68元。官方展示了虚拟人从摔倒到学会行走的训练过程，暗示Kimi可能开始探索具身智能方向。
#开源生态
钛媒体AI 评分7070
Google新闻·Humanoid+Embodied(英)AI 评分3030 Amap 开源 Lambda-0，基于人类第一人称数据训练的全人形模型
Amap 开源 Lambda-0，该模型仅使用人类第一人称数据进行训练。Lambda-0 是一个全人形模型，支持全身动作控制。
量子位精选AI 评分8585 高德发布首个基于开放世界行为的全身基座模型λ0
高德发布首个基于开放世界行为的全身基座模型λ0，该模型仅依靠人类行动数据即可让机器人学习全身协调，数据采集效率约为主流方法的3.4倍，真机任务成功率提升22.5%。
推荐理由：无本体采集让机器人学习效率提升3.4倍，全身协调能力突破局部动作瓶颈，为开放场景任务提供新路径。
开源中国AI 评分3030 琶洲算法大赛世界模型生态合作赛决赛开启
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。
HuggingFace Daily PapersAI 评分5555 IQuest-Q1：推进智能体CLI系统基础能力的研究
研究团队发布IQuest-Q1，一个320亿总参数(激活15B)的稀疏MoE智能体基础模型。该模型通过三阶段训练过程开发：稳定高效的预训练、细粒度中期训练和多版本多支架后训练，模型合并不同专家和检查点以缓解冲突。IQuest-Q1在编码和通用任务中展现能力，研究团队将其开源以支持社区研发。
HuggingFace Daily Papers精选AI 评分6565 WeVisOne-VL: 从目标到像素的统一视觉感知
WeVisOne-VL 是一种强大的视觉语言模型，通过结构化下一词预测统一了目标级和像素级感知能力。该模型支持多种视觉任务，包括目标检测、指代定位、计数、OCR、分割和matting，能够在用户指定的任何粒度上进行定位，从点到框再到mask和alpha mattes。
推荐理由：通过结构化下一词预测统一目标级与像素级感知，WeVisOne-VL 在30多个基准测试中领先，为VLMs迈向可靠感知系统提供新路径。
NVIDIA Blog精选AI 评分8383 NVIDIA发布Cosmos平台新工具，支持训练、评估和部署世界模型
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。
HuggingFace Daily Papers同事件AI 评分7070 Agentic World Action Models 论文发布
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》
HuggingFace Daily PapersAI 评分5555 Harness Scaling for Generalizable Agentic Reinforcement Learning
研究人员提出Harness Scaling方法，通过多样化训练配置提升智能体强化学习的泛化能力。该方法构建因子化harness空间，选择平衡训练子集，并组织跨harness训练，在多个基准测试中显著提高了模型对未见配置的泛化性能。
HuggingFace Daily Papers精选AI 评分6565 ALPS: 用于世界模型的视觉状态编码器
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。
arXiv · cs.RO精选AI 评分6565 AOV-GS: 基于3D高斯溅射的主动开放词汇语义映射
Rodion Shkokov提出AOV-GS系统，使用冻结的SAM和CLIP模型引导机器人探索，构建支持开放词汇语义查询的3D地图。在Replica和Matterport3D数据集上，该方法相比纯几何主动规划提升了语言场mIoU 1.3-1.8个百分点，同时保持新视角PSNR相当。代码已公开。
推荐理由：冻结基础模型引导机器人探索，无需人工标注即可构建开放词汇语义地图，提升语义查询能力。
HuggingFace Daily Papers精选AI 评分6565 训练整个智能体，而非仅训练模型
研究人员提出HarnessAdapt-RL方法，在强化学习过程中同时训练智能体策略并适应其工具链。在9B基础模型上，该方法在SWE-bench Verified、Multilingual和Pro基准上分别比GRPO提高9.8、12.6和6.4个百分点，优于人工设计的OpenHands工具链。机制级技能的提升在评估后移除仍能保持，但部署时移除工具和 hooks 会损失最多7.7个百分点性能。
推荐理由：训练智能体时同时优化模型与工具链，比单独训练模型提升近10个百分点，但部署时需移除部分技能以保持性能。
量子位精选AI 评分8181 千诀科技发布预测式世界模型Polibrain
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。
量子位AI 评分7070 生数科技Motubrain团队将直播Physical AI训练全流程
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。
HuggingFace Daily Papers精选AI 评分7575 Evolving Agent Interfaces：让智能体自主进化计算机使用界面
研究人员提出Agent S4，一种自主计算机使用科学家，能从任务经验中构建进化型智能体界面。在OSWorld V2测试中，使用Qwen3.8-27B和进化界面的Agent S4达到21.3%二进制分数，是相同模型固定界面的3.8倍，性能超越GPT-5.5(13.0%)和Claude Opus 4.8(20.6%)，且成本仅为两者的4.3%和1.5%。
推荐理由：让智能体自主进化界面设计，比固定接口提升3.8倍性能，且成本仅为GPT-5.5的4.3%
arXiv · cs.ROAI 评分4545 CoGaussian: 基于高斯的开放词汇协同3D场景理解框架
CoGaussian 提出开放词汇协同语义占用预测框架，通过基础模型对齐的稀疏3D高斯表示多智能体几何与语义信息融合。在 Semantic-OPV2V 基准上超越现有开放词汇单智能体方法，提升多机器人系统场景理解能力。
arXiv · cs.RO精选AI 评分7070 多视角潜在动作预训练用于跨具身机器人视频学习
Oliver Hausdörfer提出一种多视角潜在动作模型(LAM)，通过交叉注意力解决深度和遮挡问题，将同步多摄像头视图压缩为潜在动作。实验表明，双视角LAM预训练将真实6D动作解码准确率提高17%，下游策略成功率提升13.5%，单次跨具身学习即可实现技能迁移，硬件实验中成功率提升20%。
推荐理由：多视角潜在动作预训练将6D动作解码准确率提升17%，证明视频与机器人数据互补且任务依赖性强。
HuggingFace Daily PapersAI 评分5555 Large Flow Language Models：大规模流式语言模型研究
研究人员提出Lafa模型，一种80亿参数规模的连续流语言模型，采用块状流设计和因果注意力机制，仅需不到300亿token即可完成训练。该模型在指令跟随、推理和编码任务上表现优于自回归模型，并通过自推测解码方案实现了2.54倍的吞吐量提升。
HuggingFace Daily Papers精选AI 评分6565 SolarRenderer: 少步生成式参考渲染
研究人员提出SolarRenderer，一种结构条件视频渲染器，通过冻结MiniMax-H3 33B主干模型并使用两个轻量级LoRA适配器，实现了四步渲染，比50步采样快12.3倍。该模型在136K帧对齐语料上训练，可在16种结构表示上达到最先进结果，并能泛化到11种未见表示，包括姿态骨架、绘图和点云。
推荐理由：四步渲染比传统方法快12.3倍，同时保持对11种新结构表示的泛化能力，为实时视频生成开辟新路径。
HuggingFace Daily Papers精选AI 评分6565 Sage-A1.5：从长周期执行到科学探索的能力组合模型
Sage-A1.5是一个35B参数的混合专家智能体模型，在A1基础上通过自适应能力组合提升长周期问题解决能力。该模型具有三大改进：智能体编排、验证和开放科学发现，支持任务分解、并行协作、进度检查和策略修订，并能进行探索性科学研究。
推荐理由：通过能力组合实现长周期任务执行与科学探索，Sage-A1.5展示了智能体协作与验证的新路径。
HuggingFace Daily Papers精选AI 评分7070 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。
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。
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.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.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。
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。
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。
量子位精选AI 评分8585 VAST开源实时世界模型EdenLive，单RTX 5090显卡720P超24FPS
VAST开源实时世界模型EdenLive，在单张消费级显卡Nvidia RTX 5090上、720P条件下，5B模型生成速度超过24FPS，支持分钟级连续生成。该模型实现了任意参考输入、任意画风生成和长时连续运行，开放了模型权重、推理代码、技术报告和端到端Demo。
推荐理由：EdenLive实现了单消费级显卡上的实时世界模型生成，为交互内容提供高质量视觉渲染。
HuggingFace Daily PapersAI 评分5555 RouteWeaver: 将模式选择与执行整合到统一LLM路由中
RouteWeaver是一种统一的路由框架，整合了单轮、多轮和智能体路由模式，通过COMET-GRPO算法和渐进式探索实现自适应路由。在数学、编码、知识、逻辑推理和事实回忆五个领域，RouteWeaver平均准确率达到61.4%，比最强基线模型提升11.03%。
HuggingFace Daily Papers精选AI 评分6565 ACE-Brain-0.6: 扩展空间感知以强化物理基础模型
研究人员开发了ACE-Brain-0.6模型，通过结合机器人操作记录和多样化视觉数据的数据流水线，在约150万样本上微调Qwen3.5-9B。该模型在七个公共空间定位基准中的四个上超越GPT-6 Astra，平均得分为75.41，比Astra的73.68更高。研究显示，通过多样化来源的可验证定位监督可增强开放9B模型的空间感知能力。
推荐理由：通过150万样本训练的9B模型在空间感知基准上超越GPT-6 Astra，验证了多样化数据对具身智能的强化作用。
HuggingFace Daily Papers精选AI 评分6565 TokenGate：通过学习型 token 剪枝实现快速且内存高效的 LLM 预填充
研究人员提出 TokenGate，一种小型即插即用组件，可扩展现有训练模型以实现端到端可学习的 token 剪枝，用于快速且内存高效的预填充。该技术通过 token 门控注意力机制，在多种任务上实现了 1.4-11.3 倍的首个令牌时间加速和 1.5-3.4 倍的峰值内存降低，同时不损失准确性。
推荐理由：TokenGate 通过可学习的 token 剪枝技术，在保持模型精度的同时显著提升长上下文处理速度和内存效率。
HuggingFace Daily Papers精选AI 评分7575 Agent World Model in the Wild: 计算机使用智能体环境合成
研究人员提出WildAWM，一种可扩展的管道，用于合成训练通用计算机使用智能体的可控环境和任务。该环境支持图形用户界面、模型上下文协议服务和命令行接口，完全由开源模型驱动。团队合成了341个长时程环境-任务对，训练后的Qwen模型在8个分布外基准测试中取得显著提升。代码已公开。
推荐理由：通过合成环境训练计算机使用智能体，解决了真实世界交互的安全与扩展难题，验证了开源模型也能构建高质量训练环境。
HuggingFace Daily PapersAI 评分4545 CoEvo-RSI: 模型-工具协同进化框架解决智能体脑体不匹配问题
CoEvo-RSI 通过双向历史继承优化模型-工具协同进化，仅用监督微调使 Qwen3.5-9B 在多智能体故障归因等任务上媲美更大模型。该框架在 TraceElephant 上超越 DeepSeek-V4-Pro（agent 准确率 +14.16），在 HomeBench VM 上超越 GLM-5.3（成功率 +4.90）。
HuggingFace Daily PapersAI 评分3535 JEPA 潜在世界模型可解释性研究提出四阶段框架
研究提出 JEPA 潜在世界模型可解释性需从解码表征转向理解变量交互与因果驱动，规划 Ground、Structure、Verify、Act 四阶段研究议程。现有工作仅初步验证 Ground 阶段，潜在结构分析、因果验证与干预仍待探索。该框架旨在推动可操作潜在世界理解，从表征解码转向世界建模、验证与行动。