新闻、仓库与研究，按时间排列。
论文提出 UniW(A)M，一个基于扩散 Transformer 的混合专家框架，统一动作条件世界建模与多种世界动作模型变体，以共享专家捕捉共同物理动态、原子能力专家跨接口复用。在 LIBERO、RoboTwin 2.0 及三个真实操作任务上，真实世界平均成功率达 88.3%，最强基线为 76.7%；WorldArena 上动作条件世界建模三项任务均领先；PAIR 路由将 OOD 成功率从 63.3% 提至 76.7%，且部署时主干冻结。论文正在 ICLR 2027 评审中，共 34 页。
推荐理由：论文统一了世界模型与世界动作模型的训练，真实操作任务成功率比最强基线高出 11.6 个百分点，并给出 PAIR 的 OOD 数据。
arXiv 论文提出 Steertuning 系统，让机器人从 5 条人类示教在 5 分钟内学会新任务。该系统先在 100 小时带密集标注的自我中心人类交互数据上预训练 400M 参数扩散策略，再对新任务仅做 2 分钟微调（2000 次更新），并在反向采样时用观测最接近部署环境的示教引导动作。在 12 个新环境的 12 项任务上达到 71% 成功率，数据、权重、代码和机器人视频将公开。
推荐理由：原文给出了从人类视频微调机器人策略的完整方法与量化结果，读者可以据此评估少样本示教方案的可行路径。
研究者推出 RoboSimStudio（RSS），一个交互式工具包，可将求解器、接触模型和物理参数显式化并支持编辑，供人类与编码智能体基于观测到的物理行为迭代优化仿真。RSS 基于开源 Newton 物理仿真系统实现，并通过视觉评估、力反馈和 agentic Real2Sim2Real 三种方式验证了人机协同的 real2sim 流程。
LIBERO-RIG 是一个仅扰动机器人硬件与配置、任务保持不变的基准，覆盖相机安装与光学、相机-机械臂标定、控制频率、本体感知噪声等 11 个扰动轴、各 5 个严重程度，共 210 种条件。对 9 个视觉-语言-动作模型的评测显示，汇总成功率从 0.932 降至中等严重度的 0.767 和最高严重度的 0.509。视觉扰动训练无法缓解相机图像不变的故障，基准连同各 episode 的扰动参数清单已发布。
ChunkAct 将动作分块引入智能体机器人，一次 LLM 调用即可启动一段链式原语自主执行，仅在失败时交还控制，并把记忆离线编译成块，使 LLM 计算随决策数而非原语数扩展。在 LIBERO-Pro 上，ChunkAct 比当前最先进的智能体机器人方法任务成功率高 5.0 个百分点，同时 LLM 调用减少 2.9x、输入 token 减少 4.4x、输出 token 减少 2.3x。
研究者提出 Orchestra，一个将任务规划与执行管理从动作生成中分离的机器人智能体框架，可把多模态指令分解为有序子任务并跟踪进度。Orchestra 在九项 RMBench 任务上平均成功率达 68.22%，超出 Mem-0 26.22 个百分点；在 RMBench-Compose 上 ASL 达 7.35 个子任务，为 HarnessVLA 的 2.46 倍。代码与项目页已开源。
ABot-ER 是一个统一具身推理基础模型，在单一模型内同时覆盖感知、规划、执行三项能力，达到专家级深度。其 Agentic Data-Model Self-Evolution Engine 持续调整数据策略，Task-Conditioned Adaptive Training Strategy 用任务 token 在共享骨干上激活轻量低秩残差。在覆盖 12 个 benchmark 的评测中，ABot-ER 在感知、规划、执行上取得 SOTA 总体表现。
研究者提出一种低成本两阶段方法，利用路侧 RGB 相机与 3D 雷达实时估计行人、自行车和汽车等道路使用者的 3D 形状与朝向，避免端到端模型依赖大量特定点位数据。第一阶段用现成方法提取 2D 相机边界框和对应 3D 雷达点，第二阶段由雷达确定 3D 位置、预定义模板确定尺寸，并用微型神经网络预测针对具体点位优化的 yaw 角。该方法在带行人路口的弯道完成验证，在 NVIDIA Jetson ORIN 上达到 25 fps。
Thinker Team（Ubtech）发布统一多模态世界模型 Thinker-WM，通过共享的 Unified Dynamics Transformer 联合建模并生成 RGB、度量深度和机器人动作。同一套参数化支持视频-动作联合生成、世界预测、策略推理、逆动力学等多种功能；训练数据约含 2 万小时第一视角视频、1 万小时真机数据和 1 千小时仿真数据，其中约 4 千小时真机数据带对齐深度监督。模型在 EWMBench、WorldOlympiad 和 WorldArena 上排名第一，消融实验验证了动作条件化、几何交互与多功能训练的收益。论文链接 https://arxiv.org/abs/2610.18447v1。
推荐理由：论文把外观、几何和动作放进共享动态表示统一建模，并列出在 EWMBench 等三个评测上的具体排名与训练数据构成。
APTree 是一个模型驱动框架，以行为树为执行模型，将自动化任务规划与模块化任务执行结合，可在运行时协调多个异构符号规划器自动生成模块化任务计划，并配套领域特定语言与执行引擎。在 livMatS Biomimetic Shell 亭的实际评估中，该框架能检测设计与运行时注入的规划错误，并通过协调三个符号规划器跨多个规划模块生成大规模任务计划；形式化分析证明组合执行与局部重规划在给定假设下是安全的。
论文提出 LAPT-Scale，一种可扩展的潜在动作预训练范式，用人类第一视角视频为 VLA 策略提供动作监督。方法包含学习连续潜在动作的 LAPT-Scale-LAM 和经人类视频预训练、本体对齐与任务后训练的 LAPT-Scale-Policy 两部分，训练数据达 23.3K 小时；随标注人类视频从 1K 扩到 5K 小时，真机成功率从 63.3% 提升到 85.0%，并能泛化到未见视觉条件。论文已被 CoRL 2026 接收。
推荐理由：论文给出用人类视频潜在动作预训练提升真机成功率的完整方法与数据规模细节，适合关注机器人数据瓶颈的读者参考。
一篇 arXiv 论文提出 AlphaNIST，仅用稀疏二值任务奖励，在仿真中从零训练单一策略完成 NIST Assembly Task Board #1 上全部 20 个装配任务，训练总成功率达 98.2%，无需示教、进度奖励塑形、脚本化原语或逐任务调参。该框架还能在一个回合内以任意顺序完成十对装配。学到的策略涌现出灵巧操作与类规划行为，如为后续装配选择抓取、利用环境几何重定向零件等。
研究者提出 Action–Future Coupled Effect Learning（AFCE），让 VLA 策略以未来物理效果（Effect）而非动作本身作为主要预测目标。在 DexJoCo 上 AFCE 整体成功率达 50.97%，比 π0.5 和 UVT 分别高 11.82 和 15.21 个百分点，并在全部五个双臂任务中领先，且单臂与双臂任务可共享同一 Effect 模型。