arXiv 2610.28431v1 提出 TaskWAM，一个闭环、阶段感知的世界-动作模型（WAM）框架，用 Mode Tokens 表征细粒度任务要求、用 State Tokens 跟踪执行进度，形成结构化任务状态以引导生成朝向预期未来，针对长时程操作中相似观测-动作片段导致的“阶段混淆”问题。作者同时提出 StageBench 多阶段操作基准，含参数化阶段变化与自动评估。实验称在仿真与真实任务上减少混淆并与 SOTA 方法性能相当，且可即插即用迁移到单臂、双臂夹爪、灵巧手与人形机器人等异构架构与本体。
机器人行业洞察
今日精选
The robotics journal行业消息
研究团队提出 CAPSafe 基准，用于评估 LLM 具身智能体的安全推理，包含动作级与计划级两个数据集：前者判断单个动作在给定环境上下文中是否安全，后者评估智能体能否为复杂危险家务任务生成安全的长时程计划。该基准对危险的情境性（由物体属性推断）、多危险共存及相对严重程度进行建模。对 9 个闭源与开源 LLM 的评测显示，危险识别与安全长时程规划之间存在显著差距：多个模型识别不安全动作的准确率超过 90%，但安全长时程规划明显更难，Gemini-3-pro 安全成功率最高为 78.19%，其余模型均低于 65%。
研究团队在 RoboColiseum 上对 GPT-6 Astra、GPT-6.1 Sol、Claude Opus 5.5、Gemini 4 Argon 四个模型开展指令跟随、空间推理、通用操作、鲁棒性四赛道对比评测，通过 Agent2Act 控制框架接入共享观测、动作执行与反馈接口。结果显示四模型能力画像一致：指令跟随得分高（三个接近满分）、空间推理强、通用操作得分低于其他三赛道；Astra 在指令跟随与鲁棒性领先，Opus 在空间推理、通用操作与综合表现领先。组件对比表明框架设计影响任务成功率、规划成本与执行时间，案例研究覆盖全身协调、跨形态操作、精细操作、灵巧手操作与真机任务。
论文提出 DirectWAM，通过动作充分蒸馏把预训练的扩散视频专家与动作专家转为单步预测器，保留显式的未来到动作级联，无需随机采样；训练时从预测未来解码动作并将演示动作误差经专家反向传播，可选加入未来潜在重建损失。在四个 LIBERO 套件上平均成功率 97.1%，RoboTwin 2.0 上 85.4%，相同每流一次评估预算下优于 Flash-WAM，并扩展到三个真实世界任务；相比完整迭代教师模型推理延迟降低 28.0 倍。
研究团队提出 RoboCasa-Shift，一个基于 RoboCasa365 的诊断性鲁棒性基准，采用受控单因素偏移、共享底层设置的干净-扰动配对 rollout 和仿真器阶段感知诊断。在四个长时程家庭操作任务、四种扰动因素与三个校准严重度下评估 GR00T N1.5，共完成 1,040 次正式 rollout。结果显示鲁棒性响应随因素和任务差异显著，严重度提升不总带来单调退化：某相机条件下 80 个配对回合中 8 个结果改变但 ΔSR=0；相机 L2 与高斯模糊 L1 的 ΔSR 同为 0.188，第一阶段失败率却分别为 19.0% 和 36.4%。代码已开源。
该研究提出 CovNav，一个无需训练的框架，用共形预测（CP）决定具身智能体何时需要慢思考：本地 LLM 在快速模式下判断目标是否可能在已观测物体附近，CP 将 token 概率转为预测集，仅对模糊查询升级到慢速思维链推理。在 Gibson 和 HM3D 上，HM3D v1 与 v2 成功率分别超过最强零样本基线 0.8 和 1.7 个百分点，仅对 12.4% 的查询调用慢推理，并在较低延迟下保留常开思考的大部分收益；TurtleBot 4 真机实验进一步验证。
研究团队发布 JARVIS 基准，用于无语言指令条件下由视觉装配手册引导的机器人自主执行，包含 8,987 个场景、236,679 个 LEGO 装配任务，并从中精选 50 个任务组成 JARVIS-v1 交互式评测套件。评估协议覆盖几何精度、结构关系、构建顺序、部分进展与完成度。配套的 JARVIS-agentic 将机器人原语组合为可执行程序，并利用执行反馈验证与恢复，无需任务特定轨迹或参数更新。在 9 个多模态与推理模型上，面向任务的原语提升了平均装配得分，但性能随装配时程明显下降，执行错误难以纠正；先验任务经验改善初始表现，重复反思收益不稳定。
arXiv:2610.27504v1 比较了十种确定性方法与两种基于大语言模型的变体，用于异构多机器人任务分配中的机器人-任务适配性评估，方法覆盖基于规则、相似度、需求导向、模糊与语义等类型。研究使用统一的机器人与任务画像，对比各方法对候选机器人的打分、排序、可行性识别与最优机器人选择，并考察团队构成、规模、空间上下文、能力不确定性和任务表示对结果的影响。结果显示，同一场景下各方法经常给出不一致结论；通用相似度度量可能违反单侧需求满足解释下适配性应具备的性质，LLM 打分还引入随机性与语言敏感性。作者据此主张将适配性视为显式建模选择，在分配前评估其假设、鲁棒性与决策后果。
研究在SHREC真实人机社会交互基准上评估Gemini Robotics-ER，并与已发表的通用VLM基线对比：Robotics-ER在错误/能力检测上优于GPT-4o-mini，但在细粒度社会属性判断上更差；增加一帧视觉输入对一个任务有帮助、对另一个任务有损害。作者指出比较跨越不同模型家族，差异不能单独归因于具身专用化，并提示多机器人系统共享基础模型可能使系统性社会感知错误影响多个协调决策。该工作为初步评估，跨情境与视频分析留待后续。
论文提出 HATCH 机器人操作基准，以“密室逃脱”形式将五个技能类别、三个难度等级的任务串联：传感器确认一项任务完成后才解锁下一项，形成长时程评估。成功判定依赖仪器而非人工，评分与机器人本体无关，物体摆放由运行当天的随机种子随机化。参赛者需提交未剪辑视频、传感器日志和随机种子作为认证自运行记录，任务规范、搭建指南、物料清单与评分细则以开放许可证发布。
研究提出“失败归因”问题：判断 VLA 模型中哪些视觉损坏对当前回合的失败风险有贡献、移除后能带来多大收益。方法为因子化风险模型，分别学习场景与损坏表示，通过潜在干预从当前图像和任务指令估计移除收益，无需成对干净图像或额外反事实 rollout。在仿真中对 OpenVLA 和 π0.5、在 Franka 机器人上对 π0.5-DROID 评估，归因误差约为前沿 VLM 的 1/3，并可用于硬件在线失败监测。
研究团队构建统一数据流水线，将机器人操作记录与多来源视觉数据结合，自动标注后转为可验证的定位监督信号，生成约150万样本。基于Qwen3.5-9B微调得到ACE-Brain-0.6，在7个公开定位基准中的4个上超过GPT-6 Astra，总体平均分75.41对73.68。在固定微调设置下，随数据版本扩充覆盖更多定位场景，总体定位性能持续提升。
作者提出具身恢复重规划环境ERR-Env，为任务进度与执行错误提供反馈，并构建覆盖正常、中间与错误状态的留出任务基准ERR-Bench。其在线强化学习方法AGT-GSPO结合回合级奖励与动作分组优势估计，训练出2B参数的具身VLM ERR-VLM。在ERR-Bench上，ERR-VLM的无错误完成严格成功率提升10.25个百分点，恢复率提升22.95个百分点；评估还显示多种VLM的任务进度与执行可靠性存在不匹配。
研究者提出 Embodied Playground 基准，用于评估基础模型智能体在长时程任务中协调物理、策略与空间推理的能力，要求智能体跟踪任务进度、满足中间约束并依据执行反馈修订计划。该基准包含 410 个任务环境，覆盖基础操作、序列谜题与多阶段家务活动，并从中整理出跨 5 个套件、16 种任务类型的 100 个代表性任务 EP-100，以及 EP-Easy、EP-Hard 难度划分和 20 个任务的精简版 EP-20。共享协议规定了观测与工具访问、资源预算、重复试验，以及对目标完成、规则合规和物理有效性的独立检查。
NVIDIA 发布预训练关系型基础模型 Kumo Relational，可直接在企业数据库上做预测：给定预测查询后，模型收集最多 1 万条历史样本作为上下文，单次前向传播输出流失、需求或欺诈等结果，无需任务特定训练、特征工程或表展平。在 15 个数据库的 41 项任务上，它超过监督式关系深度学习模型和专家特征工程的梯度提升树流水线；在 SAP SALT 基准上，其平均倒数排名（MRR）比 AutoGluon 集成高 8%。模型可扩展至 5000 亿行以上数据库，通过 NVIDIA 开源 GPU 原生结构化数据模型库或 NVIDIA NIM 提供。
Isaac Lab 文档发布 Newton WebAssembly 仿真的浏览器交互演示包，包含预构建仿真、浏览器查看器与导出器源码，归档以提交命名并校验 SHA-256，作为永久包容器后续更新只增资产不新建编号发布。本地预览需下载归档后运行 python -m http.server 8000 --directory site 并访问 /interactive/；运行演示仅需浏览器，重建物理需固定版本 Newton Web 编译器与 Emscripten。发布流程复用 interactive-releases 分支，在官方仓库创建该分支需管理员按分支创建规则执行。
提出统一多模态世界模型 Thinker-WM，用共享 Transformer 联合建模 RGB、深度与机器人动作，支持多种生成与策略推理功能，并在三个具身世界模型榜单排名第一。
研究提出免训练智能体循环，让视觉语言模型用标记工具计数，并按儿童计数发展原则审计其串行视觉推理过程。
论文系统评测 GPT-6 Astra 的闭环机器人操控能力，发现语义推理与物理执行存在明显差距，并提出几何约束新基准 LIBERO-GeoMotion，零样本成功率仅 11.1%。
论文在HighwayEnv测试台上受控评估LLM驾驶智能体的经验记忆，发现已报告的增益主要来自预热池抽样，且未超过token匹配填充对照。