世界模型

ABot-Recon行车视频实时3D重建

ABot-Recon已上线Hugging Face，可将行车记录仪视频快速转为3D场景与相机轨迹，为空间AI和视觉SLAM提供实时世界重建能力。

清华Zetta ζ:给VLA加自愈恢复闭环

清华AIR提出Zetta ζ闭环具身框架:冻结基础VLA策略,在线进化代码化的运行时评审器与恢复技能,机器人可检测失败、任务中恢复并复用成功经验。LIBERO-Pro成功率31%→90.8%,推理提速11.1倍。

Zetta ζ：冻结 VLA 权重也能持续进化——清华 AIR 的闭环具身执行框架

清华 AIR 与 Z-Trans AI 提出 Zetta ζ：一个闭环具身执行框架。它不微调策略、不更新 VLA 权重,而是进化围绕策略的执行框架——代码化的运行时评审器监控每个动作、恢复技能在偏离时接管、验证门只放行通过泛化检验的技能。冻结基线在 LIBERO-Pro 上成功率 31.0%,同一策略在 Zetta ζ 下达到 92.5%(绝对提升 +56.3 个百分点);RoboCasa 18 任务平均从冻结基线提升 20 个百分点至 93.6%;Z-Infra 把有效 rollout 吞吐放大 20.6 倍,推理提速 11.1 倍。技能可零样本迁移,且出现清晰的机器人「顿悟时刻」。

TrapVLA：对 VLA 抓取策略的精确故障注入测试

TrapVLA 能在 VLA 模型上触发精确的失败模式——过早闭合夹爪、按指定偏移抓取、到达目标前张开、或在设定位置释放。它学习的是引发故障的微小动作残差，而非记忆固定攻击模式，为具身操作策略的鲁棒性评估提供了新视角。

Zero-WAM:给机器人看演示视频即可下达新任务

Zero-WAM 把人类演示视频当作上下文提示:模型观看场景应如何演变,直接生成机器人动作,无需针对任务微调。展示了一种用视频示教实现规模化行为教学的新范式。

LeVJEPA：无需启发式技巧的高效可扩展视频预训练

LeVJEPA 用单个编码器、单个损失函数和一个固定超参数（λ=0.02）完成视频自监督预训练：不变性损失加 SIGReg 正则从数学上排除表征坍缩，无需目标编码器、预测器、stop-gradient 或像素重建；训练计算量比 V-JEPA 2 少 5.6–20.8 倍，FLOP 对齐下 ImageNet-1K 领先 7.6 个百分点，并免费获得块因果注意力，为流式感知与自回归世界模型铺路。

Lukas Kuhn, Lucas Maes, Giuseppe Serra

FlashVLA：流式动作解码实现快速异步 VLA 推理

视觉-语言-动作（VLA）模型在机器人操作领域前景广阔，但实际部署受制于高推理延迟与不稳定的异步执行——在基于流匹配（flow-matching）的 VLA 模型中尤为突出：动作解码需要在 VLM 上下文条件下进行多步迭代。高效推理方法能提升控制频率，异步方法能减少执行空等，但现有方案往往无法同时兼顾低延迟推理与精确、时序一致的异步执行。FlashVLA 提出一个统一的流式动作解码框架：维护一个包含多个不同噪声水平动作块的流式缓冲区，并用块级因果注意力（chunk-wise causal attention）解码，每个推理步即可产出一个可执行动作块；块级自回归结构隐式保持动作连续性，无需额外的未来状态条件即可平滑异步执行。大量仿真与真机实验表明，FlashVLA 在保持强任务性能的同时大幅提升推理速度，单 GPU 即可达到 ≥30Hz 控制频率并实现平滑异步真机部署。

Zekai Li, Jiaming Tang, Zhijian Liu

TemporalFlow-VLA：用机器人表面时间流为长时程操作学习执行历史

提出 TemporalFlow-VLA：用记录的关节状态、机器人几何与标定相机把机器人运动投影到图像平面,构造“机器人表面时间流”作为训练期监督,驱动两个与动作块对齐的时间查询 Q8/Q15 向动作专家提供结构化历史。部署时无需几何计算,配合异步历史特征缓存。LIBERO 平均成功率 97.63±0.26%,RoboTwin 2.0 十二任务 Clean/Randomized 85.5%/84.2%,AgiBot A3 真机三阶段任务分别提升 20.0/11.1 个百分点。

Jiarui Yang, Yehao Lu, Yuning Su

Zero-WAM:基于人类视频上下文提示的世界-动作建模,实现开放任务泛化

零样本跨任务泛化——策略要执行训练时从未见过的操作任务——仍是机器人学习的核心难题。大语言模型只需在上下文中指定新任务即可完成,无需更新参数。Zero-WAM 把这种上下文学习范式带入机器人操作:作者认为操作任务最自然的"任务说明书"是人类视频——它比语言提供了更丰富的任务演化视觉线索。Zero-WAM 是一个因果视频-动作模型,通过跟随上下文人类视频提示执行未见任务。为解决任务丰富的人机配对数据稀缺问题,论文提出自动流水线把按任务采样的机器人轨迹转换为语义匹配的人类视频,构建 HumanGen 数据集:7.42 万条人机上下文学习对,覆盖 8600 个任务。训练目标上引入上下文未来块预测 (IFP),抑制从已见任务学到的捷径,迫使策略真正从视频提示中提取任务信息。在 RoboTwin 2.0 的 7 个未见任务上,Zero-WAM 平均成功率 47.0%,比最强视频-动作基线绝对提升 29.5 个百分点;真实世界评测中,它能跟随人类视频提示泛化到多物体场景、长时序操作与精细插装等未见任务配置。

Jiaming Zhou, Qihang Zhang, Gangwei Xu

LightNav-0:Light Origins 发布通用机器人导航大脑

Light Origins 发布 LightNav-0——一个通用导航模型:让任何机器人看见、理解并探索物理世界。主打任何机器人、任何任务、任何地方,开源、开箱即用,即将正式发布。

Perceptron 开源 Isaac 0.5：首个同时横跨视频理解、具身推理与机器人控制的开源基础模型，视频数据换遥操作省 210×

Isaac 0.5 是 Perceptron 发布的 36B 稀疏参数开源具身基础模型：读取图像、视频、语言、机器人状态与先前动作，能答视频问题、定位跟踪目标、报告任务进度并生成动作。团队确立了视频-遥操作数据权衡的扩展定律：通用视频从 1,000 小时扩到 100 万小时，达到损失 2.50 所需遥操作从约 5,900 小时降到 28 小时（210×）。训练数据覆盖 35+ 机器人系统、10 万小时机器人经验、100 万小时视频、3 万亿 token，首创语义世界建模（预测未来 percept）+ mHarmony 类型化多模态接口 + Null Experts 动态计算，感知五任务族全面领先且推理成本仅对手 1/8.5。权重、训练代码与 LeRobot 推理代码全部开放。

NVIDIA发布DROID+开源机器人控制栈，pi0.5演示hello world操作任务

NVIDIA SRL团队许宁宜宣布发布DROID+，这是开源机器人平台DROID的全新改进版硬件控制栈，理念是让机器人与硬件易于安装、易于使用。DROID+涵盖机器人控制、相机与夹爪三大服务及DROID套件的客户端，以关节位置运行策略，支持SO-101主臂遥操作和CLI+Web UI的闭环策略评估。配套视频展示Physical Intelligence的pi0.5 VLA模型在DROID+平台上执行hello world基础操作任务，代码已在github.com/nvlabs/droidplus开源。