AGIBOT 于 AGIBOT WORLD 2026 第四次发布中开源“物理推理”（Physical Reasoning）数据集，该数据集整合目标理解、任务状态跟踪与动作执行，覆盖 10 余类逻辑推理场景，并为每个任务刻意纳入多种真实世界状态与执行分支。该数据集已用于支持 AGIBOT 即将推出的智能体框架及下一代基础模型训练。
机器人行业洞察
今日精选
The robotics journal行业消息
AgentWeb 发布，让 AI 智能体无需浏览器即可完成网站任务：智能体不再读取截图、点击按钮，而是直接调用现成动作。在 15 个政府门户、7 家保险公司以及 Amazon、LinkedIn 等 25 个需登录网站上的 47/47 个实时任务全部完成，中位耗时 1.9 秒，整轮运行成本 3 美元。每个已映射任务被暴露为带输入 schema、前置条件、权限边界和完成证明的工具，可从任意助手调用。
AGIBOT 发布具身基础模型 GO-3 Preview，覆盖预训练、后训练与部署后全生命周期的大规模学习。该模型支持机器人在部署后继续学习，把真实作业数据回流为训练数据。AGIBOT 称其在三个具身智能基准测试中排名第一，并计划于 2026 年底前完全开源。
Humanoid Robotics Technology与奖项合作伙伴Novanta Inc.公布2026年人形机器人行业奖获奖名单：Dynamic Creatures创始人兼CEO @theermann 获行业领导力奖，@TheHumanoidAI 获杰出公司奖，博世人工智能中心获杰出研究机构奖，@ManusMeta 获突破性技术奖，@AGIBOTofficial 获最佳AI应用奖。主办方同时感谢今年的提名者与投票者，完整公告见其链接。
Physical Intelligence 正洽谈至少融资10亿美元，估值约200亿美元，较其2026年早些时候一轮的115亿美元近乎翻倍。其估值从2024年11月的24亿美元升至2025年11月的56亿美元，新一轮融资将在不到一年内使该数字大约翻两番。此次估值跳升发生在10月13日 Pi API 测试版发布之后，该测试版通过等候名单向外部开发者提供基于公司最新机器人模型的托管微调与推理服务。
Google、UCLA与CMU联合论文提出GenXR-Bench，含112个专家编写的XR功能开发、缺陷修复与完整应用构建任务，测试模拟手部与房间输入，与使用真实头显的盲测XR专家一致率为96.5%。评测显示Claude Opus 5以50.9%领先，但无模型在SDK功能任务上超过29.2%；失败运行中64.4%出现坐标系错误，44.9%出现启动竞态条件。作者建议用模拟手部与房间输入验证智能体产出的XR应用，因智能体自写单元测试常漏掉运行时缺陷。
谷歌DeepMind论文披露，4个基于Gemini 4 Argon的通用编程智能体仅获得「击败末影龙」这一目标和一个把JavaScript转为游戏动作的标准库，无角色分配、无专用游戏工具，靠聊天与共享笔记自行分工。在简单难度随机世界中，它们用27小时14分钟击杀末影龙，共编写2783个程序、死亡605次。论文称这是单次运行，成功率尚不明确，并建议长周期任务可先尝试带普通API与共享记忆的通用编程智能体。
Google DeepMind 发布 Genie 4，称其为首个带原生音频的实时世界模型，可生成环境音、音乐，以及角色对用户和世界内事件作出反应的实时对话。用户可用文字改写运行中的模拟，如改变天气、移动镜头、添加人物，Gemini 负责把编辑适配进场景并保持连贯。Gemini 3.8 Flash 在循环中充当导演，拆解目标并检查帧；Gemini 4 Argon 借此模拟了 Apptronik 的 Apollo 人形机器人下跳棋。访问先从可信测试者开始，之后开放给 Google AI Ultra 订阅者和早期 Gemini API 合作伙伴。
香港大学提出EgoWild2Dex，用538.9小时未经脚本编排的野外人类第一人称视频训练双手灵巧操作策略，每个下游任务仅需不足1小时真实机器人数据。方法包含轻量可微几何变换模块GeoFormer（无需精确标定与3D重投影，比传统Project+Inpaint流程快21.9倍）和动作重定向加逆运动学，将人类第一人称、手套演示与真机演示映射到统一机器人动作空间，训练分开放集预训练、任务适配、真机精调三阶段。真机上三个长程双手任务平均成功率96.7%，可应对外界干扰，未见物体拆箱任务零样本泛化33.3%。
GE-Act 2.0 是一个世界-动作模型，其生成组件与动作组件全部在操作数据上从零初始化，未继承预训练视频生成器。模型由面向控制的自编码器 CoAE、单步视觉规划器 SVP 和逆动力学模型 IDM 组成，先分别在互补数据上预训练，再用知识对齐的选择性优化 KASO 联合训练。在 20 个技能组共 100 个任务上直接评估预训练检查点、不做逐任务微调；联合训练数据从 300 小时扩至 30,000 小时，G1-OP 成功率由 17.1% 升至 44.1%，G2-90D 由 13.4% 升至 31.1%，后者数据占比不足 2% 仍提升 17.7 个百分点，提示跨具身迁移。
研究团队提出世界动作模型 VPP2，通过整理大规模多样化操作视频数据集，对基础视频模型进行事件级继续预训练，并将其蒸馏为固定预测时域的单步视觉规划器，再以混合 Transformer（MoT）架构接入动作模块学习隐式逆动力学。实验显示，VPP2-14B 在开放式任务视频预测指令遵循成功率上比 Cosmos3-64B 高 11.0 个百分点；在真实世界零样本 ALOHA 操作任务上比最强基线高 18.5 个百分点；经基准特定后训练后，在 LIBERO-Pro、LIBERO-OOD 与 RoboDojo 上取得所评估方法中的最高成功率。
研究团队提出 IG-VLA 视觉-语言-动作推理框架，其潜在时空推理直接在视觉表征空间想象与任务相关的未来场景演化以指导动作预测，避免像素级视频生成；场景要旨记忆把推理得到的场景-行为关联压缩为场景要旨 token，使推理阶段无需显式未来想象。在 LIBERO、LIBERO-Plus、VLABench 上测试，LIBERO-Plus 语言套件中推理策略与要旨策略成功率均比最强基线高近 6%；要旨策略在单块 NVIDIA A6000 上实现最高 6.38 倍加速，每动作块推理延迟从 1081ms 降至 169.5ms。