新闻、仓库与研究，按时间排列。
研究者提出 RESCUE，一个反事实评估框架，用于判断机器人策略运行时监控器的报警是否能支持有效干预。该框架通过在执行检查点恢复模拟器与策略状态，比较不同动作并评估干预是否降低任务完成成本，基于 OpenVLA-OFT 与 π0.5 在 LIBERO-Spatial 和 LIBERO-Plus 上使用 128,340 个反事实分支进行验证。结果显示，在 stop-and-reset 模型下，即使是理想检测器，误报率超过 2.0–3.3% 时不必要的重置成本就会超过提前停止故障的收益。
一项 arXiv 研究提出基于笔记本电脑本地 LM 的 agentic AI 框架，用于自适应生成边缘场景，成本低、可控且保障数据隐私。系统采用 think-act-observe-update-continue 循环和轻量 JSON 编码，以系统需求、系统与环境描述作为知识库构建提示词，并由第二个独立 LM 按领域标准批评并改进场景。改进后的场景在仿真中运行并收集评估指标，通过事后聚类与主题分析定位功能缺口及触发条件，为安全论证生成可追溯证据。
一项 arXiv 研究在自动驾驶车（AV）自利通行时间奖励中加入边际成本社会分量，用反事实仿真衡量 AV 对其他道路用户的影响，并基于 MARL 在 Ingolstadt 和 Provins 真实路网验证。Ingolstadt 中 40% AV 渗透率下，自利路由使其他车辆通行时间增加 1.7%，引入社会奖励后降至 1.1%，且 AV 自身与整体系统表现也改善。只对影响最大的 AV 计算边际成本可在大幅降低计算成本的同时取得相近性能。
研究者提出 Web$hell，一个把网页访问统一到单一访问模型的接口：WebCompiler 依据 WebContract 将网页编译为可寻址的信息与操作对象，存于 WebCache 并通过共享操作集处理，为 LLM 智能体提供一致、可操作且持久的网页访问。在网页搜索、网页导航和深度研究 benchmark 上的实验显示，Web$hell 能以更低成本取得较强的任务表现。
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。
arXiv 论文提出 VIGOR，针对 LLM 生成的工业场景程序「可执行但不满足工程约束」的鸿沟，结合监督微调、基于执行的验证与分阶段几何修复。该工作构建了含 1,749 个可构建场景、每场景 94 项最终状态几何检查的数据集。VIGOR 达到 96.86% Complete Feasibility，Overall 得分 91.20，超最强基线 10.42 分。