技术方向
AI 走进物理世界：人形机器人、具身基础模型与真实环境操作能力的进展追踪。
183 条精选近 30 天 181 条共收录 563 条
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%
MemT 1.0系列开源发布，包括36B参数的MemT-1.0-Nano和288B参数的MemT-1.0-Flash，首次实现近300B参数规模记忆原生模型的工程验证。该模型将经验编码为内部动态状态，通过专门的记忆分支参与计算，在SWE-bench等任务中表现优于无经验基线，平均成功率和可靠性显著提升。
推荐理由：将记忆编码为内部动态状态，让经验成为模型可学习的能力，为RSI拼图补上关键一环。
Pengying Wu提出CLOSER框架，通过视觉语言模型验证与主动感知结合，在物体目标导航任务中提升成功率3.6个百分点，路径长度加权成功率提高2.0个百分点。该框架可在本地运行并集成到现有系统中无需重新训练。
推荐理由：通过主动验证减少具身导航中的误判，CLOSER框架在提升成功率的同时降低了路径长度。
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。
Kelvin Aladum提出MAPLE方法，一种无需训练的室内探索预测方法，通过将Mondrian过程适应为基于观察几何线索的在线生成先验，在KTH平面图和真实SLAM环境中表现优于非预测方法，与学习型预测方法相当，且计算资源需求低。实验表明更准确的地图预测不一定带来更好的探索效果。
推荐理由：无需训练的预测方法MAPLE在室内探索中表现优于非预测方法，与学习型预测方法相当，挑战了'更准确预测必然带来更好探索'的假设。
SceneRig是一个智能体系统，可将单张图像转换为可编辑、仿真就绪的3D场景。该系统结合几何、视觉和物理工具重建3D场景，并通过智能体在物理仿真器中执行编辑-验证循环实现物理稳定性。相比基线方法，SceneRig能改进实例分割、以对象为中心的外观和3D放置，同时保持场景物理稳定，且其场景能更准确地预测真实机器人策略结果。
推荐理由：从单张图像重建物理稳定的3D场景，解决了视觉相似与物理行为之间的矛盾，为机器人仿真提供了新工具。
研究人员提出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基准测试中，9B参数模型的成功率从18.1%提升至71.0%，接近Codex(GPT-5.5)的水平。该框架通过适配器连接规划器交互与任务结果，支持不同执行机制。
推荐理由：9B参数模型成功率从18.1%提升至71.0%，接近GPT-5.5水平，证明后训练对机器人规划器有效。
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。
作者提出Planning Under Noise (PUN)神经算子，用于在不确定控制执行噪声下进行规划。该方法通过学习噪声感知的价值场，解决了传统方法在复杂几何环境中导航的挑战。
推荐理由：通过神经算子解决控制噪声下的规划问题，在4D场景下实现95-100%成功率且速度领先。
研究人员提出IndustrialRemembr，一个共享时空记忆系统，将NVIDIA ReMEmbR扩展至机器人舰队，通过按需生成场景描述减少服务器端计算。系统使用NVIDIA Jetson在机器人端编码视频片段，不上传原始相机帧，并支持GDPR合规的PII抽象。
推荐理由：将时空记忆扩展至机器人舰队，通过按需生成描述降低服务器计算量，同时保护隐私。
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。
Noam Rotstein提出了一种新模型，能够协同生成任意骨骼结构的3D运动与视频，并自动定位相机位置将运动放置到3D场景中。该模型通过分离运动模型与视频模型，使用交叉注意力层连接，支持从文本生成多样化骨骼动画，并能将视频转换为骨骼运动，实现关键帧控制。研究团队使用生成式视频编辑器创建了近20万训练对，评估显示该方法比视频优先管道更忠实于文本描述，且运动能响应周围场景。
推荐理由：通过分离运动模型与视频模型，实现了任意骨骼结构的3D运动与视频的协同生成，解决了现有方法仅支持人类骨骼或参数量过大的问题。
投资研究机构Citrini Research在3个月内，用20万美元预算和Claude设计出211个蛋白，其中17个在实验中成功结合蝎毒神经毒素。团队几乎没有生命科学背景，通过35页提示词和1万小时H100 GPU计算，证明AI工具能让非专业人士进入高度专业化的科学发现流程。
推荐理由：投资团队用Claude设计抗蝎毒蛋白，证明AI for Science门槛正在下降，但生命科学难度不会因提示词变长而消失。
谷歌CEO皮查伊在访谈中确认云业务正在为前沿AI研发让渡算力资源，承认当下每家公司的算力需求是两年前规划的两倍，客户锁定2027年算力极其困难。他强调前沿模型是谷歌第一优先级，并解释递归自我改进当前处于AI智能体与人类研究员协同推进的过渡期，距离自主失控终局还很遥远。
推荐理由：谷歌CEO罕见承认云业务为AI前沿让路，算力短缺已成行业现实，递归自我改进仍处于人机协同阶段。
研究团队提出RoboJudge-Bench基准，用于评估多模态大模型作为具身视频生成评判者的能力。该基准涵盖800个人类标注的视频，测量物理遵循和指令对齐两个维度。研究团队还构建了RoboJudge-Train数据集，并基于此训练出RoboJudge-9B模型，在评测中达到与人类判断的最高一致性，皮尔逊相关系数达0.719，比最佳基线模型Gemini-3.7-Flash高出0.089。
推荐理由：首个系统性评测多模态大模型对具身视频生成判断能力的基准，揭示了通用模型与专业模型在物理遵循和指令对齐上的评估差异。
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。
研究团队在RoboColiseum平台上对GPT-6 Astra、GPT-6.1 Sol、Claude Opus 5.5和Gemini 4 Argon四个模型进行了多维度比较评估，涵盖指令跟随、空间推理、通用操作和鲁棒性四个方面。结果显示所有模型在指令跟随上表现优异，空间推理能力强，但通用操作能力较弱；Astra在指令跟随和鲁棒性上领先，Opus在空间推理、通用操作和整体性能上领先。
推荐理由：大模型在机器人任务上展现出指令理解与空间推理优势，但执行能力仍存明显差距，模型间互补性强。
Jingjiao Zhao提出EventSync框架，通过事件驱动记忆更新协调任务推理和动作执行，在RoboMME基准上达到64.5%的整体成功率，比最佳基线高出20个百分点。该框架结合视觉语言模型生成子目标和视觉语言-动作模型执行，并通过轻量级事件监控器确定子目标完成状态。
推荐理由：事件驱动记忆更新解决了机器人操作中历史依赖任务的关键挑战，在RoboMME上实现64.5%成功率，领先基准20个百分点。
OpenAI 在2026年10月招聘27个机器人相关岗位，包括执行器设计等硬件职位，并租用202,000平方英尺、电力容量超过14,000安培的工业仓库。这一转变与OpenAI创始人奥尔特曼此前'只做大脑'的表态形成对比，显示公司战略从纯AI模型转向硬件与软件结合。
推荐理由：OpenAI 从'只做大脑'转向自研机器人身体，招聘27个硬件岗位并租用数据中心规格仓库，揭示AI巨头正重新定义硬件与软件的关系。