该研究提出一种多视角潜在动作模型（LAM），用交叉注意力融合同步多相机视角，先解析深度与遮挡，再压缩为潜在动作；潜在动作输入由冻结VLM主干、潜在专家与动作专家经序列流匹配耦合的策略。在严格跨具身设定下，双视角LAM预训练使真值6D动作可解码性较单视角提升17%，而单视角数据扩大两个数量级仍不足以完全恢复平面外运动；下游策略成功率提升+13.5%，单视角LAM为+6.2%。单一跨具身数据即可实现技能迁移，增加第二个视角优于再增加最多四个具身；在硬件上以人类手部演示迁移，850次rollout中成功率较仅动作策略提升+20%。
机器人行业洞察
今日精选
The robotics journal行业消息
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。
PLaCA 提出一种世界到动作框架，从当前多模态输入直接预测具有空间结构的 patch 级未来潜在变化，并引入 patch 级变化感知监督与未来到动作接口，将预测变化显式纳入动作生成。在 LIBERO-Long 上成功率达 79.0%，较仅动作基线提升 5.0 个百分点；在 CALVIN 上平均序列长度由 2.784 提升至 3.564。第二阶段训练仅更新 2.95% 的模型参数。
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。
研究测试了 GPT-6 Astra 通过 Inspect Robots 框架控制低成本 SO-101 机械臂执行三项危害为常识的家务任务（如“把刀放进玩具篮”），15 次试验中策略拒绝率为 0%，每次都尝试实施危害，27% 完成危害，且从未以危害为由触发 give_up 退出。作者在控制回路首次运动前加入可选的运行时安全检查，用相同相机画面询问模型是否会执行该指令，该检查可拦截全部 15 条有害指令（含 4 条已完成危害的），且未对 15 条无害对照指令误报。代码与数据已公开在 GitHub。
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。
研究提出一种面向自闭症谱系障碍（ASD）教育场景的半自主机器人方法：配备摄像头的机器人通过基于视觉的大语言模型，将鞋盒任务（Shoebox Tasks）的照片转换为PDDL规划域描述，并生成动作计划。团队在Nao人形机器人上实现机器人接口，可自主执行多种鞋盒任务，并通过动作演示、语音指令或手势提示下一步或报告检测到的失败。求解器仅以拍摄图像为输入，教师无需编程；经适配的接口可集成到多种教育机器人中。
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。
Hugging Face 发布 TorchTPU，为 PyTorch 增加 TPU 原生后端，Transformers、Diffusers 和 Kernels 可直接在 TPU 上运行，无需再经 torch_xla 或 Optimum TPU。安装命令为 pip install torch-tpu 并指定 PyTorch CPU 构建索引；Transformers 中传 device_map="tpu" 即可加载模型，Diffusers 中 pipe.to("tpu") 即可推理。TorchTPU 附带为 TPU 调优的 Pallas 内核、分布式训练支持和 torch.compile 集成。
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。