论文提出 RobotAgentBench（RAB）基准，用于在开放世界家庭环境中评估机器人智能体。该基准通过智能体辅助、人在回路的真实到仿真流程，构建 50 个含可交互物体的家庭布局，覆盖 90 个原子任务、18 个短时程任务、8 个长时程任务和 4 个开放式场景。评估分任务级与场景级：任务级考察任务发现、情境推理、操作、失败恢复、鲁棒性五个维度；场景级考察能力整合以满足高层用户需求。实验显示操作能力与自主性之间存在显著差距，智能体架构与递归自我改进具优势。
机器人行业洞察
今日精选
The robotics journal行业消息
研究对FastWAM与OpenWAM做受控的未来视频预测损失消融，固定模型架构、初始化、机器人训练数据与训练步数。在已见任务的干净条件下，预测监督分别将成功率提升24.38和72.91个百分点；轨迹聚类显示多个粗粒度轨迹簇内成功率更高，部分簇频率变化很小，说明增益不只来自轨迹模式分布变化。但在分布偏移下增益不稳定：未见任务上的提升因模型和任务而异，两种模型在环境随机化下成功率均偏低，预测监督无一致优势。作者还将未来视频预测作为π0.5的辅助训练目标，仅训练时使用的轻量Transformer预测器把成功率从82.94%提升到89.19%。
论文提出免训练 VLA 推理加速方法 TRIAGE：通过 token 级漂移诊断判断被跳过视觉 token 应复用缓存 KV 还是剪枝，漂移低于按主干校准的阈值且缓存不过旧时复用，否则在固定重算预算内优先重算重要 token、其余剪枝。在 LIBERO 与 SimplerEnv 上平均成功率与完全重计算相差不超过 3 个百分点，Jetson AGX Orin 上预填充延迟最多降低 48%；仅重算 7% 视觉 token 时在 LIBERO-Object 上比最强基线高 24.4 个百分点。
研究提出 ARPG 方法，将动作表征学习与动作生成分离：先在大规模人类操作数据上预训练动作表征编码器，再冻结编码器，训练 1.3 亿参数的生成主干网络，在表征空间中学习任务条件动作分布。在 DexJoCo 基准上取得当前最优性能，双臂灵巧操作平均成功率从 π_{0.5} 的 10.1% 提升至 44.7%。扩展实验显示，更广泛覆盖人类操作行为可有效提升下游性能，作者据此认为动作表征预训练为复杂灵巧操作提供了独立的扩展维度。
研究团队发布 BEHAVIOR-Spatial 基准，基于 BEHAVIOR-1K 构建，包含覆盖 49 项活动的 3,256 个空间问题、覆盖 14 项操作任务的 1,240 个定位查询，以及 14 项操作任务和 10 项导航任务的动作评估。基线在留出配置上得分为 41.6%，但在固定训练布局内目标变化时降至 16.1%；VLM 适配与机器人数据预训练提升有限，oracle 视觉目标线索可将两项指标分别提升至 60.3% 和 38.0%。感知评估显示 VLM 问答与定位准确率、VLA 操作性能之间存在依赖策略的相关性。
RoboLongR 提出离线到在线的框架，学习依赖历史的奖励以引导策略适应新任务，核心目标是因果一致性，即被奖励的进展须与执行历史支持的前提条件对齐。方法包含阶段打乱监督、循环记忆和两轮训练，奖励引导阶段条件策略从行为克隆精炼至在线强化学习。在 88 个 RLBench 任务和 Open-X 数据上预训练后，该工作在未参与奖励预训练的 18 个长程任务上平均成功率 31.8%，高于最强基线 9.2 个百分点；四个真实机器人任务成功率 57.5%，比对比方法高 32.5 个百分点。
研究者提出 WorldFailBench 基准，用于检验世界模型能否忠实模拟机器人策略的失败方式，包含失败原因、失败阶段、失败边界三项评估任务。基准覆盖 LIBERO 与 RoboTwin 仿真环境中的操作任务，以及 G1 人形机器人在真实世界执行的操作任务。对七个世界模型的实验显示，这些模型在理解策略失败方面存在显著差距。
研究团队在 Habitat 3.0 中构建 TouchSafeBench 基准，包含 2,940 个模拟室内共处片段，覆盖社交导航与社交重排，配有同步多视角 RGB-D、俯视轨迹图、标定相机元数据及仿真器接触标签，用于评估视觉语言模型的碰撞接地能力。测试三个前沿或机器人学导向 VLM 与九种视觉表示，最佳平均 Macro-F1 低于 50%，显式深度未自动转化为机器人本体碰撞证据，机器人与场景接触的判断持续难于与人接触风险。
研究团队发布 ContactBench 1.0 富接触操作基准，基于对日常人类操作的观察归纳出八项基本技能，用 36 个参考任务和 40 多个物体资产实例化。资产可在消费级 3D 打印机上可复现制造，每个资产配有匹配仿真模型，并支持真实与仿真环境中的受控任务变体以评估泛化。在六个任务上评估近期纯视觉与视觉-触觉策略学习方法：纯视觉策略难以感知或响应接触事件，视觉-触觉策略也未带来显著性能提升。基准将在项目页开源。
论文提出HGWM，将LLM生成的房间锚点先验与持久空间语义记忆结合，用于零样本物体导航：粗阶段以0-10分对候选朝向打视觉语义分，细阶段衡量观测物体、房间上下文与目标先验的符号兼容性，再经相位相关融合与LLM方向建议结合后选择局部动作。在HM3D v0.1上报告62.6% SR、31.5% SPL，WMNav为58.1%、31.2%；MP3D上为46.8%、17.9%，对比45.4%、17.2%；HM3D v0.2完整模型为74.4% SR、31.9% SPL。组件消融使SR下降0.9-2.3个百分点、SPL下降0.6-1.5点。作者称实现通过离线测试，但无逐回合重跑记录，评估仅限仿真。
arXiv 论文提出 ArtifactArena 开放式评测平台，要求模型完成物理落地的软硬件协同设计任务：设计功能完整的机器人，并在仿真竞技场中对战。评测覆盖零样本、验证器引导的迭代优化和开放式物理设计三种能力，分别依据文本描述、物理仿真器反馈和对战数据改进机器人制品；模型排名由制品间一对一锦标赛的 Elo 分决定。框架与锦标赛基础设施对外开放，供社区持续提交，以构建不会饱和的测试平台。
研究团队提出 RMMBench 评测基准，将高层与低层具身任务整合进统一框架，构建含 70 个规范任务场景的“导航-操作”任务套件，覆盖从局部操作到长时程复合导航。该基准要求机器人在连续空间中理解语言指令并执行长时程任务，以弥补现有基准任务类型与评测指标有限的问题。结果显示，领先的视觉语言模型在移动操作任务的空间定位上仍存在明显不足，长时程交互中机器人空间感知能力有待增强。
研究团队提出Embodied Agent Arena，在几何、空间推理、可供性、任务规划与操作五个维度评测十个VLM智能体，1000个案例由32个既有来源与自建GeoProbe基准（168案例，覆盖相机、运动、深度与尺度估计）组成。结果显示闭源权重模型在全部五个领域领先，开源权重VLM空间推理可用但规划与操作成功率明显更低。执行中智能体可达成早期子目标却失去物体控制、将动作绑定到错误接收区域或提前停止；代码修复能恢复执行但不完成任务，自我审查可能推翻正确判断。
论文提出 WorldEcho 评估框架，用视觉完整性和 SE(3) 末端执行器轨迹对齐两项指标，在比专家演示更广的动作分布上检验动作条件世界模型是否真正遵循指令动作。诊断发现，经专家数据训练的模型在演示动作上表现较好，但在非专家轨迹上会生成与指令动作不一致的运动或视觉上无效的推演。为此作者提出 WorldSync，通过扩大动作覆盖、用 Action-Forcing Expert 将中间视频表示锚定到动作引发的机器人动力学、并在动作干预下对齐预测与真值变化。实验显示 WorldSync 降低了 RoboTwin 上的完整性门控误差，用于迭代策略改进时在仿真和真实机器人上成功率更高。
RobustRLlib 在统一接口下集成 17 种鲁棒在线、离线与安全强化学习算法，并配套覆盖真实世界扰动及人形机器人、视觉-语言-动作任务的评估平台。该系统在 273 种扰动配置上完成评测，给出当前鲁棒 RL 算法的能力图谱，指出有效区间与仍存在的鲁棒性差距。项目以开源形式发布，代码库可复现、可扩展。
论文提出 LogLook，一种面向前沿视觉语言模型机器人规划器的执行锚定记忆机制：系统保留执行日志与模型此前笔记，由模型决定查看位置，仅在预期变化处返回帧，并在检查所选部分前先略读演示。用基准的运动规划器测量，LogLook 在 token 减少 43%、图像用量不到一半的情况下达到与仅笔记记忆相同的成功率，因记忆或所见内容导致的失败回合大幅减少；直接控制下在 RoboMME 测试集上解决 93.5%。
论文提出 RoboCode，用共享的软门控基元动作接口学习跨任务复用的短时程动作模式：每个动作块被表示为多个已学习基元的软组合，而非单个离散编码；该接口从多任务汇集的动作块中学习后冻结，再训练任务特定的状态编码器将状态映射到共享潜空间。在五个 ManiSkill 操作任务上，动作块平均重建 MSE 为 0.0187，编码激活分析显示跨任务存在结构化编码复用；闭环平均成功率为 75.6%，高于 ACT 的 68.8% 和更大规模 Diffusion Policy 基线的 41.6%。
研究团队发现 OpenVLA 激活的稀疏自编码器（SAE）表征含有可预测任务结果的信息，能在机器人进入不可恢复状态前预测失败。他们识别出强激活与成功或失败特定阶段对应的单个 SAE 特征，并通过定位特征激活显著变化的时间区间归纳出反复出现的行为模式。团队还构建基于 VLM 的解释流程为这些模式生成行为描述，并在留出区间上验证描述与特征激活的对应关系。
英伟达团队发布工业级机器人数据引擎 Flora，用于训练 GR00T 模型，同时提供结果奖励标签、过程奖励标签和带时间戳的说明文字三类数据标注能力。Flora 在说明文字基准 WGO-Bench 及奖励基准 RoboReward、Robometer 上取得 SOTA，内部基准与 GPT-6 Astra 相当，成本约为后者的 1/125。该引擎已在 512 块 GB300 上每天标注 20 万小时数据，并已开源，供研究者扩展自定义机器人数据集。
研究在RoboDojo基准的六项操作任务上，于多种推理强度与服务层级设置下评估了九个前沿多模态语言模型直接控制实体机械臂的能力，称这是首次在实体硬件上对广泛前沿LM做系统性比较。结果显示当前模型能完成多种操作任务，但精度与效率不足以在实用动作预算内完成。2026年7月至10月间基准性能翻倍时间为53.9天，最佳执行速率提升4.4倍，最低执行成本下降6.2倍。