DeepMind 发布 Gemini Robotics ER 2 具身推理模型
DeepMind 发布 Gemini Robotics ER 2 具身推理模型，作为机器人的高层大脑负责对话、理解物理世界并规划多步任务，再把动作执行交给底层 VLA 模型。
推荐理由：官方给出进度分类、时刻定位与多机协作的量化结果，可据此判断高层推理模型与底层 VLA 的分工方式。
#VLA
#VLA
今日 1 条DeepMind blog精选AI 评分8383
HF blog精选AI 评分7474 PruhaNLP 发布 TurboVLA-base：面向 SO-100 机械臂的可微调 VLA 检查点
PruhaNLP 在 Hugging Face 发布 TurboVLA-base，一个面向 SO-100 / SO-101 机械臂的可直接微调 VLA 检查点，单个文件夹内含 config、完整权重（DINOv3 ViT-B + BERT + 交互层 + 动作解码器）与 tokenizer。
推荐理由：读者可据此了解一个去掉 LLM 的 VLA 检查点如何组装、微调与在 SO-100 上部署。
DeepMind blog精选AI 评分8686 DeepMind 发布 Gemini Robotics 2，为机器人带来全身智能
DeepMind 发布 Gemini Robotics 2，包含 VLA 模型 Gemini Robotics 2、具身推理模型 Gemini Robotics ER 2 和端侧 VLA 模型 Gemini Robotics On-Device 2。
推荐理由：DeepMind 发布三款机器人模型，覆盖全身控制、灵巧操作与端侧部署，可了解 VLA 与具身推理的分工。
HF blog精选AI 评分6262 论文提出具身操作数据金字塔，梳理五类数据来源与数据配方
论文《Data Pyramid for Embodied Manipulation》将具身机器人学习数据组织为五类互补来源的金字塔，包括真实机器人数据、UMI 风格数据、第一人称与第三人称视角数据、仿真数据和通用视觉语言数据。
推荐理由：论文把具身数据来源整理成五层金字塔，并梳理各类数据配方与基础模型能力之间的对应关系。
HF blog精选AI 评分7878 RynnBrain 1.1 发布：具身基础模型新增接触点预测与 3D 定位
RynnBrain 1.1 发布，是覆盖 2B、9B 和 122B-A10B 三个规模的具身基础模型家族，在 1.0 基础上为全系列引入接触点预测，并为 2B 和 9B 模型加入原生 3D 定位。
推荐理由：RynnBrain 1.1 在 1.0 基础上加入接触点预测与原生 3D 定位，并给出多本体真机部署结果，可据此了解具身基础模型的能力边界。
HF blogAI 评分4444 JoyNexus：面向 VLA 模型的多租户后训练服务
JoyNexus 是面向视觉语言动作（VLA）模型的多租户服务，通过解耦 API、隔离租户槽位和分组批处理，支持共享资源上的训练、推理与评估。它解耦训练模型服务、推理模型服务和环境服务，各租户的动作模块、优化器、rollout 记录与策略版本相互隔离，由全局训练队列和推理队列调度。仿真与真实具身场景评估显示，相比单租户独立执行，JoyNexus 降低了总 GPU 时间并提升了服务利用率。
HF blog精选AI 评分6060 See like a Robot：面向 VLA 的机器人中心点图
论文提出机器人中心点图（robot-centric pointmaps），像素存储场景点在机器人坐标系下的三维坐标，从而对齐视觉观测与机器人坐标系动作，缓解 VLA 中相机视角与动作定义之间的坐标系错配。
推荐理由：论文提出以机器人坐标系点图替代相机视角输入，读者可了解跨视角泛化在仿真与真机上的验证方式。
NVIDIA dev blog roboticsAI 评分5050 NVIDIA 如何评估通用机器人策略的真实世界部署能力
NVIDIA 发文讨论通用机器人策略在真实世界部署前的评估难题，指出当前最强系统已能按自然语言指令完成抓取、放置、分拣和操作多种物体，但严格评估仍是该领域最难解决的未解问题之一。文章介绍了其中的关键问题及 NVIDIA 的应对方法。
HF blogAI 评分4040 Rank-Then-Act：用帧序进度实现无奖励强化学习控制
Rank-Then-Act（RTA）提出一种无需手工奖励函数的强化学习控制方法，通过训练视觉语言模型从打乱顺序的视频帧中识别任务进度，并将该进度信号作为强化学习的唯一奖励。该方法不依赖人工设计奖励函数，也不使用稀疏环境信号。
HF blog精选AI 评分6969 论文：LingBot-VLA 2.0 从基础模型走向实际应用
LingBot-VLA 2.0 在 LingBot-VLA 基础上从三方面改进：重构数据处理流程并预训练约 6 万小时数据，含 5 万小时覆盖 20 种机器人构型的轨迹和 1 万小时第一人称人类视频；动作空间扩展到头部、腰部、移动底盘和灵巧手的自由度；引入视频表示模型与深度估计模型做未来预测的代理任务以增强时序推理。
推荐理由：论文给出 LingBot-VLA 2.0 在数据规模、动作空间与预测建模三方面的改动，可了解 VLA 落地差距的一种应对思路。
HF blogAI 评分5353 SIEVE：面向 VLA 模仿学习的结构感知数据选择方法
SIEVE 是一种面向 VLA 模仿学习的结构感知数据选择方法，将示范轨迹视为可复用视觉运动基元与转换接口的组合。它从机器人轨迹中发现可复用基元，按结构信息量分配数据预算，并挑选更易被行为克隆学习的中心稳定示范。作者称该方法在多个数据集、基准和 VLA 模型上稳定优于数据选择基线，仅用 50% 数据加 50% 训练步数即超过全量数据训练。
HF blog精选AI 评分6262 SVA：将树搜索蒸馏为动作评估以增强冻结 VLA 模型
论文提出 SVA（Search, Value, and Act）框架，将动作生成与后果评估解耦，为冻结的 VLA 策略引入长期后果感知。SVA 先用蒙特卡洛树搜索在仿真中探索 VLA 输出分布并收集带经验回报的轨迹，再蒸馏为轻量 Q 值模型，部署时由冻结 VLA 提出多个候选、评估器选出不确定性正则化后 Q 值最高的动作，无需仿真器。
推荐理由：论文提出冻结 VLA 的动作评估框架，用树搜索蒸馏 Q 值模型，读者可了解测试时扩展的替代思路。
NVIDIA blog robotics精选AI 评分8080 NVIDIA 与 Hugging Face 将 Isaac GR00T 1.7 和 Isaac Teleop 引入 LeRobot
NVIDIA 与 Hugging Face 合作，将 NVIDIA Isaac GR00T 1.7 开放推理视觉语言动作模型和 NVIDIA Isaac Teleop 框架引入 Hugging Face 的开源机器人库 LeRobot，NVIDIA Cosmos 3 计划随后加入。
推荐理由：NVIDIA 与 Hugging Face 把 GR00T 1.7 和 Isaac Teleop 接入 LeRobot，读者可了解开放机器人开发流程的整合方式。
HF blog精选AI 评分8888 LeRobot v0.6.0 发布：世界模型策略、新 VLA 与奖励模型 API
LeRobot v0.6.0 发布，引入 VLA-JEPA、LingBot-VA、FastWAM 三个世界模型策略，以及 GR00T N1.7、MolmoAct2、EO-1、EVO1、Multitask DiT 等新 VLA 和 Robometer、TOPReward 奖励模型 API。
推荐理由：LeRobot v0.6.0 一次放出世界模型策略、多个 VLA 与奖励模型 API，读者可据此判断开源机器人学习栈的能力边界。
NVIDIA dev blog roboticsAI 评分2020 从预训练想象到微调行动：世界动作模型（WAM）的崛起
NVIDIA 提出世界动作模型（WAM）概念，指从预训练世界模型或视频模型出发、再微调为机器人策略的一类模型，与从 VLM 骨干起步的 VLA 形成对照。文中以 Pi-0 和 GR00T N1 作为 VLA 的代表案例。
NVIDIA dev blog roboticsAI 评分4040 NVIDIA Alpamayo 如何闭环后训练自动驾驶车辆模型
NVIDIA 介绍用 Alpamayo 对自动驾驶车辆模型进行闭环后训练，以弥合训练与部署之间的差距。可推理复杂驾驶场景的 VLA 模型目前主要在开环下训练，模型输出直接与真值行为比较，不考虑其对环境的影响。
DeepMind blog精选AI 评分7878 DeepMind 发布 Gemini Robotics-ER 1.6，增强空间推理与仪表读数能力
DeepMind 发布 Gemini Robotics-ER 1.6，这是其面向机器人推理的模型升级版，增强了空间推理、多视角理解和成功检测能力，并新增仪表读数功能，可读取压力表、液位计等工业仪表。
推荐理由：Gemini Robotics-ER 1.6 在指向、计数、成功检测和仪表读数上的能力变化，以及通过 API 和 AI Studio 开放使用，可供开发者评估其作为机器人高层推理模型的适用性。
lerobot releasesAI 评分3434 LeRobot v0.4.3 发布：新增 X-VLA、PiFast 策略与 Unitree G1、OMX 等机器人支持
Hugging Face 的 LeRobot 发布 v0.4.3，新增 X-VLA 策略和基于 tokenization 的自回归 VLA PiFast，并加入 Unitree G1、OMX、Earth Rover Mini Plus 等机器人支持。
NVIDIA dev blog roboticsAI 评分4242 NVIDIA Alpamayo：用推理式 VLA 模型构建自动驾驶
NVIDIA 发布 Alpamayo，面向自动驾驶的推理式视觉语言动作（VLA）模型，可将决策过程展开为逐步推理轨迹。该模型被视为在语义空间中运行的隐式世界模型，用于处理复杂驾驶问题。
NVIDIA dev blog roboticsAI 评分5555 NVIDIA 通过后训练 Cosmos Reason 提升机器人性能
NVIDIA 在 GTC 2025 首次发布的 Cosmos Reason 是一个开放且可完全定制的推理视觉语言模型（VLM），面向物理 AI 与机器人，让机器人和视觉 AI 智能体借助先验知识、物理理解和常识进行推理，从而在真实世界中理解并行动。该模型已在 Hugging Face 的 Physical Reasoning 排行榜上登顶。