Learning Foresight without Explicit Trajectories for 3D Diffusion Policies 论文发布
论文提出 Movement Trend Guidance，让 3D 扩散策略从短观测历史中学习交互演化的紧凑隐表示，训练时用稀疏未来夹爪状态监督，推理时仅保留该隐表示作为未来导向条件。
推荐理由：论文提出 Movement Trend Guidance，用隐变量为 3D 扩散策略提供交互走向的前瞻信息，并给出多基准对比数据。
全部具身动态
全部动态
今日 62 条HF blog精选AI 评分6262
IEEE Spectrum roboticsAI 评分2828 水下钙钛矿太阳能电池在10米深处实现34.71%光电转换效率
云南大学张文华团队研制出钙钛矿太阳能电池，在模拟水下10米光谱条件下光电转换效率达34.71%，陆地条件下为17.08%。他们将电池封装后集成到水下迷你机器人上，在南海涠洲岛附近测试，10米深处115平方厘米电池两小时发电324毫瓦时，2米处为1416毫瓦时。研究估算电池在25°C水温下可连续运行约5.5年。
Hackaday robotsAI 评分5555 ETH Zurich 让机器人手用手指行走
ETH Zurich 研究人员把一只商用机器人手改造成能用手指行走的装置，为其加装电池和 Raspberry Pi Zero 2 W，并开发神经网络控制软件。该手有 20 个关节、每指 4 个，网络根据先前动作、手部状态和当前目标迭代输出下一关节状态；训练先在仿真模型中进行强化学习，行走速度快于改造的四足运动模型。
qbitaiAI 评分6666 PhAI Labs 等发布 JEPA-Anything：跨七类系统验证统一预测框架
PhAI Labs 联合牛津、斯坦福、普林斯顿、港中文等团队发布技术报告 JEPA-Anything，提出面向不同领域学习预测模型的跨领域框架，各领域保留自己的观测形式与编码器，共享预测核心和统一的 latent world-state interface。
HF blogAI 评分4444 MiniMax-H3 能否推理物理世界？全模态生成模型评测
针对 MiniMax-H3 这类全模态生成模型，一项新评测考察其物理世界推理能力，在 517 个评测实例中整体成功率为 41.97%。其中基于视频的决策推理成功率最高，为 56.00%，基于音频的消歧推理最弱，仅 27.40%。评测设计了隐式提示配多帧、音频-图像、前缀视频和音视频四类任务，要求模型跨模态整合互补信息以推断潜在事件状态与未来动态。
HF blogAI 评分4545 FAMOS：从稀疏观测进行前馈 3D 关节建模
Hugging Face 论文页发布 FAMOS，一个从稀疏无序部分点云预测可动部件分割与关节参数的前馈模型，支持包括单视图在内的可变数量输入。它提出 Multi-state Articulation Transformer，以交替的状态级与全局注意力聚合多观测关节线索，并引入观测关节跨度目标监督各部件在输入观测中的运动范围。
RobohubAI 评分2222 ICRA 2026 主旨演讲与全体会议视频现已开放观看
IEEE 已公开 2026 年 ICRA 的主旨演讲、全体会议、行业主题演讲、奖项演讲、教程及六场专题讨论的视频录像。本届 ICRA 于 6 月 1 日至 5 日在维也纳举行，全体演讲嘉宾包括 Ken Goldberg、Barbara Mazzolai 和 Roland Siegwart。
HF blogAI 评分4141 World in World：用世界模型探索世界，免训练实现相机与时间控制
World in World 是一种免训练的推理时接口，让冻结的自回归视频世界模型支持灵活的相机与时间控制。它把源视频观测、目标视角场景投影、几何渲染和缓存外已生成状态等异构证据转为带相机与时间标签的干净视觉状态，通过原生自注意力读取，并用对应路由器和 EWA 逐通道调节注意力。同一冻结骨干可支持相机控制重渲染、长时程回访和人体动作迁移。
HF blogAI 评分4141 RCWM：用递归场景程序从单张图像构建复杂 3D 世界
Hugging Face 论文页介绍 Recursive Code World Models（RCWM），一种从单张参考图像以可执行代码递归重建复杂 3D 世界的框架。
HF blogAI 评分3333 SpatialBlock：用合成积木堆叠任务提升 LVLM 空间智能
研究者提出 SpatialBlock，通过合成积木堆叠任务提升大型视觉语言模型（LVLM）的 3D 空间推理能力。其构建的 SpatialBlock-15k 数据集包含 15,000 个积木堆叠问题，覆盖 3D 到 2D 投影、视角变换和结构组合，并加入受控颜色调制作为视觉线索。实验显示，用该数据集训练的 LVLM 在直接回答和基于推理的预测两种方式下均显著优于基线，并能泛化到真实世界空间任务。
IEEE Spectrum roboticsAI 评分7171 机器人正在学习触觉：多支团队构建触觉数据集与模型
IEEE Spectrum 报道，学术实验室与创业公司正竞相构建触觉数据集与使用技术，以突破精细操作瓶颈。
HF blog精选AI 评分6262 论文提出 World Model RL，用世界模型加速自动研究智能体后训练
论文提出 World Model RL（WMRL），用学习到的世界模型替代环境执行，以缓解自动研究智能体强化学习后训练中环境执行成为瓶颈的问题。作者进一步引入 Online Debiasing 与 Inverse-Variance Denoising 分别抵消世界模型奖励的偏差与噪声，并从理论上证明两者严格改善收敛保证。
推荐理由：论文提出用世界模型替代环境执行来加速自动研究智能体的强化学习后训练，并给出理论收敛保证与跨任务迁移证据。
qbitaiAI 评分6666 大晓机器人等发布人–场景交互重建框架 HSImul3R，被 ECCV 2026 接收
大晓机器人联合南洋理工大学 S-Lab、上海人工智能实验室发布人–场景交互重建研究 HSImul3R，已被 ECCV 2026 接收。
HF blog精选AI 评分6262 PlannerForge：用 LLM Agent 统一自动驾驶运动规划器场景测试
PlannerForge 是一个 LLM-agent 框架，把自动驾驶场景测试的场景生成、检索、修改、ADS 执行与结果分析统一到同一流程，并新增 ADS Enhancement 与 ADS Benchmarking 两个阶段。
推荐理由：论文把场景生成到评估串成统一 LLM-agent 流程，并给出开源模型与商业 API 的对比数据。
HF blog精选AI 评分6060 SyncWorld：视觉校准让世界模型成为零样本模拟器
Hugging Face 论文页介绍 SyncWorld，一种通过视觉校准让世界模型在未见相机、环境和本体上做上下文机器人世界建模的方法，无需下游训练。该方法以少量视觉交互作为上下文，尝试模拟机器人控制带来的视觉后果。
推荐理由：SyncWorld 提出用视觉校准让世界模型在未见相机与环境上做零样本仿真，读者可了解其免下游训练的思路。
HF blogAI 评分2626 SAEScientist-Bench：AI 智能体能否自主开展 SAE 可解释性研究？
Hugging Face 上线论文页面 SAEScientist-Bench，提出用基准测试检验 AI 智能体能否自主完成 SAE 可解释性研究。该页面目前仅开放论文讨论，未披露任务设置、评测指标或实验结果等具体信息。
HF blogAI 评分3434 Hugging Face 论文页：Co-Evolving Harnesses and Models——在策略修正让弱模型在模仿失败处追赶
Hugging Face 上线论文页《Co-Evolving Harnesses and Models: On-Policy Correction Helps Weaker Models Catch Up Where Imitation Fails》，探讨在策略修正对较弱模型的提升作用。论文指出，在模仿学习失效的场景下，该方法能帮助弱模型追赶。
HF blogAI 评分2626 DianShi-RxnDB：面向研究者与 AI Agent 的全自动流水线大规模细粒度有机反应数据平台
DianShi-RxnDB 是一个大规模、细粒度的有机反应数据平台，通过全自动流水线构建，面向研究者与 AI Agent。该论文页面已在 Hugging Face 上线并开放讨论。
HF blogAI 评分2222 Hugging Face 论文页：Scores Alone Do Not Prove Discovery——审计 AI 研究智能体的 Discovery Certification Protocol
Hugging Face 上线论文页《Scores Alone Do Not Prove Discovery: The Discovery Certification Protocol for Auditing AI Research Agents》，提出用于审计 AI 研究智能体的 Discovery Certification Protocol，主张仅凭分数不足以证明发现。
IEEE Spectrum roboticsAI 评分3434 昆士兰大学研发“Paraborg”半机械蟑螂：可携带针头注射器执行救援
澳大利亚昆士兰大学 Biorobotics Lab 研发出半机械蟑螂“Paraborg”，在约 40 克重的巨型穴居蟑螂（Macropanesthia rhinoceros）触角和尾须植入电极，用游戏手柄无线操控其左右转向、前进或停止，并可搭载无线摄像头或弹簧驱动的注射器。
qbitaiAI 评分7171 光象科技与清华发布物理原生世界模型 Phi-WM 1.0 ActEffect
光象科技联合清华大学李升波教授课题组发布第一代物理原生世界模型 Phi-WM 1.0 ActEffect，让受控世界模型只在训练阶段比较三版动作提案的后果并反馈给策略，训练完成后退出部署链路。
qbitaiAI 评分7171 星尘智能发布 SmoothRL：让在线强化学习适配大模型异步推理
星尘智能基座模型团队发布在线强化学习框架 SmoothRL，用于大模型异步推理成为真实部署常态后的策略后训练。它把 action chunk 按执行状态分为已提交、执行和丢弃三个区域，只让梯度穿过真正执行的 Execution Region，并在训练 rollout 中直接运行异步推理。
IEEE Spectrum roboticsAI 评分2222 德州农工大学 RoboBall：用巨型充气机器人球探索月球陨石坑
德州农工大学团队研发的 1.8 米宽、150 公斤充气机器人 RoboBall III，通过内部摆锤移动重心滚动前进，仅用两个执行器，可翻越障碍并爬上 20 度斜坡。该机器人设想由月球车运至陨石坑边缘后自主下探，并用小型火箭将地质样本射回坑外，相关设计与德州采石场测试结果已发表于 IEEE Transactions on Field Robotics。
HF blogAI 评分3939 LLAMIA-Bench：语言模型与非语言智能体协作的基准测试
研究者提出 LLAMIA-Bench，包含六项协作国际象棋任务，覆盖行为模仿、状态评估和自然语言解释三个维度。通过潜在状态内化将子智能体的连续表示直接投影为 LLM 的学习状态 token，实验发现相比文本化整合存在持续的"文本化债务"，且该差距随模型从 4B 扩展到 14B 参数依然存在。
HF blogAI 评分88 Hugging Face 数据集 trinity-graphics/truncgradgs
Hugging Face 上线数据集 trinity-graphics/truncgradgs，页面仅附 Hugging Face 推进开源与开放科学的使命宣言，未披露数据规模、模态、许可或使用方式等细节。
HF blog精选AI 评分6262 Qwen-Drive-1.0：面向自动驾驶的视觉语言基础模型
Qwen-Drive-1.0 是一个面向自动驾驶的视觉语言基础模型，在统一框架内整合 3D 感知、视觉问答与运动规划。模型保留预训练 VLM 架构，外接 BEV 感知头联合执行 3D 目标检测、语义占用预测和 BEV 地图分割，规划专家基于共享 VLM 表征生成未来自车轨迹。
推荐理由：Qwen-Drive-1.0 把 3D 感知、视觉问答与运动规划统一在一个 VLM 框架内，并给出分阶段训练配方，可了解自动驾驶基础模型的构建思路。
HF blog精选AI 评分7474 ZimaBlue：通过可扩展视频预训练演进可泛化世界动作模型
ZimaBlue 提出从大规模自我中心视频学习可泛化世界动作模型（WAM）的三阶段训练方案，先在大规模人类与机器人自我中心视频上做因果具身视频预训练，再通过视频-动作中期训练将视觉动态对齐到异构机器人轨迹，最后针对目标机器人做专门化。
推荐理由：论文给出从大规模自我中心视频学习世界动作模型的三阶段方案，并报告零样本操作成功率随数据规模的变化。
HF blog精选AI 评分6262 H3-World：把语言理解变成世界控制，将 33B MiniMax-H3 视频生成器改造为交互式世界模型
H3-World 提出一个框架，把 33B 的 MiniMax-H3 视频生成器改造成交互式世界模型，将语言指令转为精确、时间对齐的角色与相机控制，且不引入专门的动作模块。
推荐理由：论文给出把 33B 视频生成器改造成交互式世界模型的具体路径，含样本量与可训练参数比例等关键条件。
HF blog精选AI 评分6060 DroneCATS 评测多模态 LLM 作为无人机视觉语言动作智能体
论文提出 DroneCATS-Agent 与 DroneCATS 基准，把多模态大模型直接放入无人机控制回路，动作空间仅由提示词声明，无需微调或函数调用模式。评测覆盖接近可见目标、跟踪移动目标、搜索视野外目标和多无人机编队指挥四项能力，模型规模下探到 2B。
推荐理由：DroneCATS 把多模态模型直接放进无人机控制回路，用四类任务对比前沿与 2B 小模型，可看到空间感知与动作协议之间的落差。
HF blog精选AI 评分7171 LightNav-0：用 VLM 空间智能实现通用具身导航
LightNav-0 是一个紧凑的通用具身导航模型，通过统一指向 token 与动作 token 化调用预训练 VLM 的空间推理能力，在 10 个公开导航仿真设置上取得单目成功率最优。
推荐理由：论文给出统一 token 接口把 VLM 空间能力接到导航动作上，可了解通用导航模型如何跨任务与本体复用。
HF blogAI 评分4545 MineAmongUs：VLM 智能体在具身社交互动中的言语与非言语欺骗
Hugging Face 论文提出 MineAmongUs——一个 3D 多模态 Among Us 沙盒，内鬼智能体需通过言语与非言语动作联合欺骗船员，并配套可配置的 VLM 智能体框架 ARIA，暴露五个认知组件消融轴。实验显示 VLM 智能体依靠言语与非言语联合欺骗取胜，非言语通道在框架消融和跨 VLM 评估中都是更关键的获胜因素。
RobohubAI 评分3838 研究：人形机器人 Pepper 表现力越强，出错时人越不信任它
一项发表于 Science Robotics 的研究让 50 人与商用人形机器人 Pepper 对话并共同决策，发现机器人出错会损害信任和影响力，无论它是否有表情动作。当富有表现力的 Pepper 打断对话或给出不合逻辑建议时，参与者催产素水平反而升高，且升得越高越不信任机器人、越少采纳其建议。脑成像显示，此时背外侧前额叶与内侧前额叶活动增强并协同更紧密，这一协同预测了催产素上升。
HF blog精选AI 评分7171 VLAct：面向视觉语言动作模型的表征中心持续预训练
论文提出 VLAct，一种面向 VLA 的 VLM 骨干，在任务微调前用多本体机器人数据做持续预训练，通过保留 VLM 先验、多头连续动作协同监督和部分统一的跨本体动作布局来共享动作语义。
推荐理由：论文给出在固定机器人数据预算下以表征为中心的持续预训练路线，并附开源数据与16卡训练配置。
HF blog精选AI 评分7171 PonderPounce：用预训练 MLLM 作为机器人控制的回合上下文引擎
PonderPounce 将预训练 MLLM Ponder 作为 System 2 上下文引擎、快速动作模型 Pounce 作为 System 1 控制器，两者在解耦时钟上端到端联合训练，无需专门记忆模块或桥接预训练。
推荐理由：原文给出 PonderPounce 在 RoboMME 上的成功率与训练数据倍数，可据此判断双系统记忆方案的效果量级。
HF blog精选AI 评分6262 Code-as-World：用可执行代码表示物理世界，为视觉语言模型提供物理推理监督
论文提出 Code-as-World，将物理环境的组成、动态演化和视觉外观表示为可执行代码，从而为视觉语言模型提供紧凑、可量化、可控的世界抽象。作者构建了受溯因推理启发的智能体发现循环，让智能体提出、执行、渲染、验证并迭代改进可执行世界假设，并用验证后的可执行世界为定量物理推理训练提供可扩展监督。
推荐理由：论文提出用可执行代码表示物理世界，为视觉语言模型提供可扩展的物理监督，读者可了解其智能体发现循环与基准表现。
IEEE Spectrum roboticsAI 评分3939 印度团队研发低功耗可穿戴运动追踪系统，准确率超99%
印度CSIR中央机械工程研究所团队在IEEE Sensors Journal发表研究，用6个可拉伸压阻传感器贴附于衣物髋、膝、踝处，配合微控制器上的机器学习算法，对12名受试者平地行走、上下坡和上下楼梯动作分类准确率达99.83%，未穿戴过该系统的新用户准确率为89%。整套传感层功耗仅0.318毫瓦，传感器可承受超过12000次拉伸至原长三倍的循环，目前仍为仅能分类动作的原型。
HF blogAI 评分3030 Self-OPD：无需教师模型的流匹配模型在线策略蒸馏
Hugging Face 论文页介绍 Self-OPD，一种面向流匹配模型的在线策略蒸馏方法，其特点是不依赖教师模型。该页面目前仅开放论文讨论，未给出模型版本、任务、成功率或实验数据等细节。
HF blogAI 评分1515 Magpie：面向交互式游戏的实时世界渲染器
Hugging Face 论文页上线 Magpie，一个面向交互式游戏的实时世界渲染器。该页面目前仅开放论文讨论，未披露模型规模、渲染帧率或真机部署等细节。
HF blogAI 评分3838 论文：评估许可证意味着什么？Inspect Evals 中声明可复现性的提交绑定普查
一项提交绑定普查发现，Inspect Evals 的 124 个评估中有 110 个无法复现到其对应的声明，在确定性推理之前就已中断。论文认为，若评估未绑定到产生该分数的确切代码，排行榜数字与部署决策之间就存在缺口。作者还建议进一步检验评估的推理是否与模型在生产中的实际行为一致。
HF blog精选AI 评分6262 TacForcing：用执行时触觉反馈的流式动作生成框架
TacForcing 是一个流式动作生成框架，用流式动作专家和执行感知触觉注意力（EATA）在执行过程中引入实时触觉反馈，以改善接触密集操作。论文指出，基于分块预测的视觉语言动作模型在执行前采集观测、预测完整动作块，导致执行期间触觉条件滞后，而现有触觉反应方法多依赖独立的高频控制器，增加架构与训练复杂度。
推荐理由：论文提出在执行中引入触觉反馈的流式动作生成框架，并给出仿真与真机任务的成功率对比。