世界模型

π0：通用视觉-语言-动作模型

Physical Intelligence的π0是VLA模型，摄像头输入和自然语言指令直接输出运动控制，解决60年机器人专一化难题。

GEN-1具身基础模型：机器人操作的GPT-3时刻

Generalist AI发布GEN-1具身基础模型，简单操作成功率99%，速度提升3倍，每任务仅需1小时数据。

Ego2Robot：从第一人称人类视频合成可扩展机器人数据

将第一人称人类操作视频通过动作重定向、机械臂视觉合成、多级质量筛选转化为机器人训练数据，产出 18,561 小时跨 15 种机器人形态的数据，提升 VLA 模型 OOD 泛化，并在真机验证。

Ye Wang, Pei Lin, Xiong-Hui Chen

阿里达摩院RynnBrain-VLA人形机器人烹饪牛排

阿里达摩院发布RynnBrain 1.1及RynnBrain-VLA，在Unitree G1等平台实现长时序烹饪任务。

Wayve发布GAIA-4世界模型用于机器人仿真

Wayve发布GAIA-4世界模型，十年研究后实现生产级机器人仿真，2018年构建首个世界模型。

SO-101机械臂下棋:π0.5+Stockfish

用微调π0.5控制棋子拾放，逆运动学+Stockfish计算走法，CNN检测对手每格落子

强化学习为何样本效率极低

图灵奖得主指出纯奖励驱动的强化学习必须不断试错真实世界，缺乏世界模型导致样本效率存在下限

PhiZero：围绕物理语言构建的世界模型

提出物理语言——世界状态转移的紧凑离散表示。PhiZero 采用先推理后渲染范式：先从真实视频自监督学习物理语言，推理出未来世界演化的语言序列，再渲染为视频；在生成与理解基准上验证了物理一致性，并展示交互式建模、细粒度动作条件仿真与零样本运动迁移的潜力。

Shuyao Shang, Yuqi Wang, Ruopeng Gao

FA-RDP：面向接触密集操作的频率自适应反应式扩散策略

接触前需保留多模态轨迹、接触后需快速响应力反馈——FA-RDP 用共享多频率视觉-力 Transformer 同时预测高低频动作块，并学习多模态指示器在接触前多步低频采样、歧义降低后切换单步高频采样；配合流形一致性蒸馏，在三个接触密集任务上取得最高成功率。

Lifeng Zhuo, Wendi Chen, Han Xue

X-NavDP：基于群组Q值分数加权匹配的导航扩散策略泛化框架

提出GQRM强化学习后训练框架，通过自举探索与群组Q值归一化机制对导航扩散策略进行跨本体微调，仿真成功率从61%提升至84%，真实世界从10%提升至65%。

Tianyu Yang, Yiming Zeng, Wenzhe Cai

Gemini Robotics 2实现人形全身控制

Gemini Robotics 2将物理AI超越桌面任务，实现人形机器人智能全身控制。Apptronik Apollo 2处理单条指令即可完成弯腰、取浇水壶等动作。

Google DeepMind发布Gemini Robotics 2

Gemini Robotics 2是单一VLA模型，一个检查点即可适配不同末端执行器（灵巧手或夹爪）。Apptronik Apollo 2人形搭配22自由度SharpaWave手可打结、密封密封袋。