SteerQuant：用动作引导缩放控制世界动作模型的量化误差
SteerQuant 是一个面向世界动作模型（WAM）的 4-bit 量化框架，通过映射各语义流量化误差对最终动作的影响来引导共享通道缩放，并按流和去噪步校准激活缩放。
推荐理由：提出面向世界动作模型的 4-bit 量化框架，把量化误差导向对最终动作影响较小的计算，并给出真机双臂部署结果。
#VLA
#VLA
今日 15 条arXiv cs.RO精选AI 评分6262 arXiv cs.RO精选AI 评分6262 TeV：面向生成式机器人策略的时序动作验证框架
论文提出时序验证（TeV），一种面向流匹配VLA的高效时序感知动作验证框架。TeV先学习一个时序token来概括近期观察与动作历史，使候选动作块作为执行轨迹的延续而非孤立预测被评估；在此基础上无需额外专家示范或偏好标注即可构建正负样本对，对比训练基于能量的验证器，为更高质量、轨迹一致的动作块分配更低能量。
推荐理由：针对生成式机器人策略动作验证的时间短视问题，提出无需额外专家示范的时序验证框架，可供做VLA测试时扩展的读者参考。
arXiv cs.RO精选AI 评分6666 URAI：让前沿智能体编写、调用并演化机器人工具
论文提出 URAI（Universal Robot-Agent Interface），将编程智能体与执行智能体耦合：前者从任务意图编写可复用和任务专用的机器人工具，并通过执行反馈与人工指导迭代，后者从当前观测选择并参数化这些工具，每次调用在本地完成完整动作后再交回决策权。
推荐理由：论文给出代码作为策略的新分工方式，并附五个仿真任务与七项真机任务的对比数据，可供关注机器人策略设计的研究者参考。
arXiv cs.RO精选AI 评分6262 Cue the Flow：用空间线索引导流匹配策略完成开放世界配送操作
论文提出 Cue the Flow，用预训练流匹配视觉语言动作模型作为底层控制接口，把高层 grounding 输出当作空间线索来引导策略，并引入轻量线索条件适配器：先以对比目标学习显著且具空间区分度的线索表示，再监督预测动作块上的对角仿射变换。
推荐理由：论文把预训练流匹配 VLA 当作底层控制接口，用轻量适配器把空间线索转成动作块上的仿射变换，为开放世界配送操作提供了一条可迁移的引导思路。
arXiv cs.RO精选AI 评分6262 Sparse-WAM：用动作引导稀疏想象加速世界动作模型推理
Sparse-WAM 是一个免训练框架，通过动作引导的稀疏想象选择性处理未来帧 token，加速世界动作模型（WAM）推理。它基于动作 token 到未来帧注意力在相邻去噪步间空间分布高度重叠的观察，提出 Action-Guided Token Selection 保留动作相关区域与跨帧上下文，并用 Pilot 引擎以轻量打分和跨步复用降低稀疏推理开销。
推荐理由：提出免训练的动作引导稀疏想象框架，在 LIBERO 与 RoboLab-120 上给出约 2 倍推理加速，可迁移到世界动作模型的部署优化。
arXiv cs.RO精选AI 评分6666 DrivingBench：视觉语言模型能否驾驶丰田卡罗拉
研究团队提出 DrivingBench，据其所述是首个要求通用视觉语言模型驾驶真车的基准，模型通过三个工具读取丰田卡罗拉的摄像头画面，直接控制转向与速度，在低速停车场锥桶路线中行驶。
推荐理由：读者可了解一个让通用视觉语言模型直接驾驶真车的基准设计，以及延迟与工具格式如何影响模型能否完成长程任务。
arXiv cs.RO精选AI 评分6262 PRICE：面向具身强化学习的物理关系信用分配方法
PRICE 提出用轨迹间的物理关系为动作块分配信用，仅凭终端成功信号即可细化轨迹级监督，无需辅助评估器。方法包含物理关系图与置信度门控信用分配两部分，并给出与终端成功目标相关的有限样本方向界。在 LIBERO、RoboTwin 2.0 和真机实验中，PRICE 相比基于结果的基线任务成功率更高、学习更快。
推荐理由：提出用轨迹间物理关系为动作块分配信用，无需额外评估器，并在 LIBERO、RoboTwin 2.0 与真机上验证。
arXiv cs.RO精选AI 评分6262 Online-ES：通过自监督轨迹分布优化在线进化 Flow Matching VLA 策略
论文提出 Online-ES，一个基于进化策略的 Flow Matching VLA 在线自适应框架，通过在动作轨迹空间做进化探索并利用执行结果构建自监督 MSE 目标，把进化方向从轨迹空间迁移到模型参数空间。作者证明该目标是最优进化方向的无偏估计，并将失败经验作为负反馈约束进化方向。仿真与真实环境实验显示，其策略改进效果与强化学习微调相当，且无需学习价值模型或计算优势函数。
推荐理由：提出在动作轨迹空间做进化搜索的在线自适应框架，为 Flow Matching VLA 策略改进提供不依赖价值模型的方法。
arXiv cs.ROAI 评分5858 ReGuide：免训练包装器提升 VLA 组合泛化能力
研究提出 Referential Guidance（ReGuide），一种免训练包装器，依据 grounding 模块给出的物体位姿，结合语义与几何重绑定，引导末端执行器进入示范支持的配置，让冻结策略继续执行。仿真中跨多个 VLA 主干及真机实验显示，ReGuide 在组合偏移下成功率分别最高提升 56.8 和 75.0 个百分点，同时保持标准任务性能。
arXiv cs.ROAI 评分5555 面向 Class 8 卡车的驾驶 VLA 数据高效适配方法
研究提出 adapt-then-steer 策略，将现成驾驶 VLA 适配到 Class 8 卡车：以 NVIDIA Alpamayo 1.5 为基座，仅微调其动作生成部分，使用数百个真实施工与事故相关高速场景。
arXiv cs.RO精选AI 评分6666 Galbot 团队系统评测 GPT-6 Astra 作为具身策略的能力
Galbot 团队在六个领域系统评测 GPT-6 Astra 作为通用具身策略的表现，涵盖直接控制、与学习策略协作和反馈驱动适应。
推荐理由：系统评测 GPT-6 Astra 作为具身策略在六类任务上的表现，并给出成功率与推理延迟数据，可据此判断通用模型与物理控制的差距。
arXiv cs.ROAI 评分5555 技能条件视觉触觉表征与进度引导事件记忆：按技能融合视觉与触觉
论文提出一种技能条件表征，让查询到的技能对模态特定的短期观测 token 进行融合，并关注保留最近 K 个已执行技能终末观测的稀疏事件记忆。在三个接触密集任务上以技能进度估计评估，滑移检测延迟较微调 SOTA 进度模型降低 87%，扭转完成延迟较纯视觉消融降低 67.5%，盲搜索任务的进度误差通过稀疏事件记忆降低 92%。作者认为观测构建而非仅策略架构是多模态表征的核心挑战。
arXiv cs.RO精选AI 评分6666 BIND：将 3D 机器人动作绑定到 2D 图像特征的动作表示
作者提出 BIND，一种将 3D 机器人动作绑定到对应 2D 图像特征的视觉运动策略动作表示，通过相机几何而非学习来提供动作与特征的关系。它离散化候选末端执行器位置体积，把每个候选与各相机视角投影处的预训练特征关联，再对候选的位置与图像绑定特征组合打分来选动作。在真机上，BIND 在少至 5 次示范的任务上取得接近完美的成功率，并在相机视角大幅偏移和未见物体位置下表现稳健，而坐标回归基线完全失败。
推荐理由：BIND 用相机几何把 3D 动作绑定到 2D 图像特征，读者可了解其数据效率与视角鲁棒性的真机验证方式。
arXiv cs.RO精选AI 评分6262 Memorize, Adapt, Ignore：诊断训练数据变化下的机器人学习机制
该研究用经验神经正切核（NTK）作为诊断工具，考察训练数据变化如何影响机器人操作策略的内部学习机制。在 ManiSkill 的 pick-and-place 强化学习以及 LIBERO、RoboTwin 上 VLA 模型微调中，随机化物体尺寸、颜色、类型、场景光照和语言提示，NTK 能区分策略是在记忆不同情形、适应具体情形，还是忽略任务无关因素。
推荐理由：用经验神经正切核区分策略是在记忆、适应还是忽略训练数据变化，为域随机化设计提供可操作的诊断信号。
arXiv cs.RO精选AI 评分6666 Fiatlux：面向人形机器人爬梯与换灯泡的长时程基准
Fiatlux 是一个基于 NVIDIA Isaac Lab 的长时程基准，让 Unitree G1 人形机器人在一个回合内把梯子放到天花板或墙壁灯具下、爬梯、把灯座里的旧灯泡换成新灯泡，并把旧灯泡放进回收箱。
推荐理由：Fiatlux 把爬梯与换灯泡合成一个长时程基准，并给出十二个子任务与三类基线，可供人形操作评测参考。
qbitaiAI 评分7474 斯坦福 HomeBody 让 GPT-6 Astra 调度宇树 G1 收拾厨房
斯坦福团队项目 HomeBody 让 GPT-6 Astra 接入宇树 G1，在陌生厨房中按语言指令收拾物品、丢纸盒并从抽屉取药。系统先让 G1 探索建图，再由 Astra 作为 Real2Sim 智能体在 Isaac Sim 中重建数字厨房，之后由 Astra 调用导航、抓取、放置、开抽屉等可复用技能，底层用预训练 AMO 控制策略协调行走与操作。
arXiv cs.RO精选AI 评分7171 KPI：面向人形机器人物理交互的可提示内核
论文提出 KPI，一种位于轨迹源与未修改全身跟踪器之间的可提示内核，轨迹源按方向下发跟踪、柔顺或保持力范围的契约，内核依据跟踪误差与力旋量估计在接触频率上调整手臂刚度、阻尼、参考与前馈。作者用视觉语言智能体从单条指令同时生成参考轨迹与契约，无需任务专用代码，演示了绞盘操作、开门和箱子搬运，其中绞盘演示中人形机器人转动曲柄将另一台机器人完全吊离地面。
推荐理由：论文提出在轨迹源与全身跟踪器之间插入可提示内核，读者可了解接触阶段刚度与阻尼如何按指令自适应。
arXiv cs.RO精选AI 评分6262 机器人上下文学习综述：方法与应用
一篇题为《In-Context Learning for Robots: Methods and Applications》的综述将机器人上下文学习文献按上下文证据到执行的接口分为四类：上下文条件策略、几何示范迁移、基于世界模型的控制，以及基于技能与智能体的执行。
推荐理由：这篇综述把机器人上下文学习拆成四类接口，并梳理了迁移假设与评测方式的差异，适合用来建立该方向的方法地图。
HF blog精选AI 评分6262 AnyStep-WAM：面向世界动作模型的预算对齐蒸馏与自适应推理
论文提出 AnyStep-WAM 框架，通过预算对齐的教师轨迹蒸馏训练区间条件流映射，支持从单步预测到多步细化的动作生成，并用轻量风险收益调度器按单步预览选择最小去噪预算。
推荐理由：论文给出可调去噪步数的世界动作模型框架，读者可了解按任务难度分配推理预算的具体做法与实测数据。
HF blog精选AI 评分6565 EVO-WAM：通过视频动作验证演化世界动作模型
EVO-WAM 提出一种让世界动作模型（WAM）在无需额外专家示范、也不在外部环境执行候选动作的情况下适配新任务的框架，通过状态预测与锚定多帧上下文实现完整自回归 rollout，并用视觉语言模型筛选完成任务的前缀、用逆动力学模型验证视频与动作一致性，再迭代训练。
推荐理由：论文给出无需额外专家示范、靠自生成视频动作轨迹适配新任务的框架，并附仿真与真机成功率数据。
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。
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 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。
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。
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。
HF blogAI 评分4848 GameWAM：面向视频游戏的世界动作模型
Hugging Face 论文页发布 GameWAM，一个面向原生视频游戏控制的统一世界动作模型，通过块因果流匹配、模式特定分布和块循环重规划，联合预测未来画面与可执行键鼠动作。实验显示其任务成功率具竞争力，且执行的原生动作数少于对比智能体；研究还发现低频动作源印记（LASI）这一生成控制的源敏感失效模式。
HF blog精选AI 评分7171 Zero-WAM：以人类视频上下文建模世界与动作，实现开放任务泛化
Zero-WAM 提出一种因果视频-动作模型，通过上下文人类视频引导执行训练中未见的操作任务。作者用自动流程将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，包含 8.6K 个任务、74.2K 对人类-机器人上下文学习配对，并提出上下文未来片段预测（IFP）目标以抑制已见任务的捷径。
推荐理由：论文给出以人类视频作为上下文任务说明的跨任务泛化方案，并公开数据集与仿真对比结果。
HF blogAI 评分3030 EXIMO：用 VLM 引导 VLA 策略的探索
Hugging Face 论文页上线 EXIMO，一种用视觉语言模型（VLM）引导 VLA 策略探索的方法。页面目前仅开放论文讨论，未披露模型版本、任务本体、仿真或真机结果等细节。
HF blog精选AI 评分7171 τ_0-VLA：世界模型引导测试时计算的分层机器人基础模型
τ_0-VLA 是一个分层视觉语言动作模型，把高层子任务生成建模为可扩展算力的推理问题，通过世界模型引导的测试时计算在需要时搜索备选子任务再输出。高层策略利用执行记忆生成子任务，低层策略在多种机器人本体上执行，模型基于 40,115 小时异构真实数据与多模态联合训练。在域内和分布偏移设置下，增加测试时计算量可提升下一子任务预测准确率，并转化为长时程操作任务的闭环成功率提升。
推荐理由：论文提出用世界模型引导的测试时搜索为高层子任务决策分配更多算力，并给出跨本体与分布偏移下的闭环结果。
RobohubAI 评分7171 MIT CSAIL 与丰田研究院提出 SceneSmith，用三个 VLM 智能体生成机器人训练用仿真场景
MIT CSAIL 与丰田研究院提出 SceneSmith，用设计师、评论者、编排者三个基于 GPT-5.2 的 VLM 智能体协作生成可直接载入物理仿真软件的 3D 室内场景，单场景物体数量最多为先前方法的六倍。
HF blog精选AI 评分7171 Ego2Robot：从第一视角人类视频合成可扩展机器人训练数据
Ego2Robot 提出一条可扩展流程，通过动作重定向、机械臂视觉合成和多级质量筛选，把第一视角人类操作视频转换为机器人训练数据，支持精选数据集与野外视频，产出 18,561 小时数据、覆盖 15 种机器人形态。
推荐理由：论文给出将第一视角人类视频转为机器人训练数据的可扩展流程，并公开数据规模与泛化评测设置。