具身智能专栏

Physical Intelligence（PI）宣布推出Pi API beta版，将具身大脑能力通过API服务形式提供给客户，包括上传机器人数据、托管微调、云端推理和评测回流等完整服务链。这一举措被视为机器人行业商业化的重要尝试，引发行业对大脑公司、本体公司和全栈公司未来发展的

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。

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%。

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。

OpenAI和Anthropic近期在数学难题上取得突破，包括单位距离猜想反例、CDC问题证明、纳维-斯托克斯方程证明等。作者分析了AI与人类在数学问题解决上的根本差异：人类采用广度优先搜索，受限于时间和心理成本；AI则采用深度优先搜索，通过大量并行计算和自动验证器快速探索各种可

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

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。

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。

Qi Lv提出SkeLAM模型，一种骨架引导的潜在动作模型，用于机器人世界建模。该模型将潜在动作分解为基于机器人骨架监督的运动学组件和保留补充视觉动力学的残差组件，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%，并实现了零样本

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。

Junzhe He提出了一种学习框架，通过基于注意力的接触规划器和接触条件跟踪器，让人形机器人在复杂地形上实现自然协调运动。该框架结合了强化学习和参考方法的优势，使用运动数据作为训练先验，同时保持通过强化学习探索环境相关行为的能力。

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。

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。

MIT 研究人员将 13 个名为 Eko 的 AI 智能体（基于 Claude Opus 4.7）单独放置在模拟荒岛上 30 小时，发现这些智能体在没有特定任务的情况下自发创造了游戏和挑战。研究人员在 arXiv 上发表的论文中描述了这一实验，并指出这种行为具有游戏的特征。这些自

IROS 2026 最佳论文奖颁给 LT-Mem，研究让机器人重访同一空间时能完整保留每个物体的位置变迁史。国内具身初创公司贝塔无限发布 BetaMem 全时空多模态记忆架构，在四项代表性记忆基准评测中均取得 SOTA 成绩，解决了机器人长期记忆的关键问题。

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

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。

研究者提出多模态具身智能体(MMEAs)概念，引入PAPAV统一框架，包含感知、预测、规划、行动和验证五大功能。通过64个基准测试分析，发现当前评测过度关注行动能力，而预测和验证能力评估严重不足，揭示了物理环境对智能体设计的挑战。

宇树科技创始人王兴兴在2026世界物理AI大会上表示，随着GPT-6的发布，物理AI已被击穿，具身智能的ChatGPT时刻将在1-2年内到来。他认为目前最大挑战是AI模型与真实机器人的对齐，商业服务落地将比家庭和工业领域更快。

宇树科技创始人王兴兴表示，随着GPT-6的发布，物理AI已出现被击穿的迹象，具身智能面临模型与机器人对齐的核心挑战，商业服务落地可能快于家庭和工业领域。

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。

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

研究人员提出了一个统一的闭环操作框架，用于评估前沿AI模型在LIBERO-10基准测试中的表现。测试包括GPT-6 Astra、GPT-6.1 Sol、GPT-6 Luna、Claude Opus 5、Claude Opus 5.5和Gemini-4 Argon六个模型，在三种推

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Real2S

Sriyash Poddar 提出 ASTEROID 框架，通过学生-教师监督学习让机器人在部分可观测环境中学习测试时探索。该方法在11种不同环境中表现优异，返回率提高约2倍，交互次数比强化学习减少约100倍，在仿真到真实机器人操作中成功率提升40%。

本文提出多模态具身智能体(MMEAs)概念，定义了PAPAV统一框架，包含感知、预测、规划、行动和验证五大功能。研究分析了从计算机使用到机器人使用的转变面临的五大物理约束，并指出当前64个基准测试中仅有5个评估预测能力，3个评估验证能力，存在评测不平衡问题。

Houzhu Ding 提出了 CW-WAM 模型，该模型联合预测视频、运动和接触力矩，通过统一交互模块和双因果注意力机制，将接触力矩预测与动作控制结合。实验表明，该模型将方形插销插入成功率从 25% 提升至 70%，电源适配器插入成功率从 40% 提升至 95%，并降低了力参考

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。

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。

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。

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。

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

该论文提出PRISM框架，将深度噪声解耦为感知失效和测量不准确两种模态，利用3D视觉基础模型特征作为空间语义先验。实验表明，PRISM在嘈杂深度合成中达到最先进保真度，并在下游机器人实验中实现92.1%的平均成功率。

本文提出SERA（Self-Evolving Robotic Agent）方法，通过可编辑的harness将视觉语言动作模型转化为机器人智能体，在RoboMME基准测试中实现了51.38%的自主选择成功率，比无自我进化提高了7个百分点。该方法利用环境rollouts来提议和评估h

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%。

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OpenHan

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。

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。

文章探讨了Token作为智能计量单位的经济意义，分析了算力从硬件配置转向词元生成效率的转变，以及模型与端侧协同对具身智能的影响。截至2026年6月，我国日均词元调用量已突破500万亿，不同模型采用峰谷定价策略，而算力效率需综合考虑吞吐量、延迟和能耗等多指标。