NVIDIA Jetson 边缘平台运行 Cat AI 助手、GR00T 与 OpenClaw 等物理 AI 系统
NVIDIA 在 CES 展示 Caterpillar 座舱内 Cat AI Assistant 原型，基于 Jetson Thor 本地运行 Nemotron 语音模型与 vLLM 服务的 Qwen3 4B，无需云端连接。
#具身智能
#具身智能
今日 1 条NVIDIA blog roboticsAI 评分3838
HF blogAI 评分44 Hugging Face 上发布 maria715/CAT_adv_eps02_42_relativelr_REFAIT 模型
Hugging Face 上出现了一个名为 maria715/CAT_adv_eps02_42_relativelr_REFAIT 的模型仓库。该页面未提供模型架构、训练数据、任务类型或性能指标等具体信息，仅包含 Hugging Face 推进开源与开放科学的使命声明。
HF blogAI 评分1515 Hugging Face 上 emmanuel-v 的 policy_2026-09-30_shake_it_up_on_cart_100kHz_nfft4096 模型
Hugging Face 上出现名为 emmanuel-v/policy_2026-09-30_shake_it_up_on_cart_100kHz_nfft4096 的模型条目，名称包含 100kHz 与 nfft4096 等参数标识。该条目页面未提供更多模型细节，仅附有 Hugging Face 推进人工智能开源与开放科学的使命说明。
HF blogAI 评分3838 Hugging Face 发布 Sys1Cal-v1 数据集：评估 Jev 等结构化概率输出的校准问题
Hugging Face 发布 Sys1Cal-v1 基准数据集，用于直接评估结构化概率输出而非仅检查预测类别的置信度。在 Jev 上测试发现，Noul 和 Score 的概率接近真实值，而二元 Choice 输出存在系统性非线性失真，可通过引入潜在第三分量 Uncertain 建模。数据集与评估代码已公开，支持在其他结构化决策模型上复现。
HF blogAI 评分4848 EpiCon：通过协同演化多模态记忆实现智能体集体学习
Hugging Face 上公开的论文 EpiCon 提出一种共享多模态记忆框架，让不同智能体在不更新宿主模型参数的情况下复用彼此经验。它由两个独立训练的 2B 模型组成：记忆控制器与树状自组织器，分别负责跨尝试精炼文本引导与视觉证据、分层整合经验并检索规则。
HF blogAI 评分3838 LeRF：学习参考坐标系以进行视角采择推理
Hugging Face 发布 LeRF，让视觉语言模型在推理前显式确定提问所指的视角，必要时定位参考人或物体并预测其前、左、上方向，再用轻量工具在图像上画出坐标轴供模型作答。该方法通过监督微调学习坐标系预测与选择性工具调用，用强化学习学习基于自生成坐标系的推理，推理时无需外部感知模型或显式三维重建，在多个基准上提升了视角采择表现，包括想象视角问题。
HF blog精选AI 评分8080 EWAM 发布统一具身模型：单一扩散 Transformer 联合处理视觉语言、未来视频与动作
EWAM 是一个统一具身模型，在单个 flow-matching Diffusion Transformer 中联合处理视觉语言、未来视频和动作 token，无需显式阶段设计即出现按深度分工：浅层从视觉语言专家取指令与当前场景语义，中层转向预测的未来帧表示，深层由动作自注意力主导做运动细化。
推荐理由：EWAM 把视觉语言、未来视频与动作 token 放进同一扩散 Transformer，并公开各阶段权重与下载方式，便于对照其分层分工与基准结果。
HF blog精选AI 评分6262 JapaneseTinyAgentLM-Action-3M 发布：3.1M 参数模型在 ESP32-S3 上把日语指令转为机器人动作 JSON
ayousanz 发布 JapaneseTinyAgentLM-Action-3M，一个 3,148,608 参数的 decoder-only Transformer，把日语短指令转成 look、set_expression、nod 三类动作的 JSON 数组，非指令或无法执行的请求返回空数组。
推荐理由：3.1M 参数模型在 ESP32-S3 上本地把日语指令转成动作 JSON，附完整评测与误差区间，可看端侧具身控制的可行边界。
HF blogAI 评分5858 ArticuRiddle 数据集发布：100 个外观与关节运动相矛盾的铰接物体
ArticuRiddle 是一个包含 100 个铰接物体的数据集，用于测试视觉外观与真实关节运动相矛盾时的操作能力。每个物体由 PartManip 训练资产经两类编辑生成：50 个移动或旋转把手使其暗示错误运动，50 个直接交换关节类型（如抽屉面板改为摆动、门改为滑动），外观保持不变。
HF blogAI 评分1616 Hugging Face 上发布 arrg-unam/molmoact2_omx_hidroferol 模型
Hugging Face 上线了 arrg-unam/molmoact2_omx_hidroferol 模型页面。该页面目前仅展示 Hugging Face 推进开源与开放科学的使命表述，未提供模型架构、参数规模、训练数据或评测结果等具体信息。
HF blogAI 评分1818 Mulligan 发布 sim-square-narrow-r03-mining-no-cf-idql 基于状态的 IDQL 智能体检查点
Hugging Face 的 Mulligan 项目发布 sim-square-narrow-r03-mining-no-cf-idql，这是一个基于状态的 IDQL 智能体，采用扩散 actor 与标量 IQL critic，包含 policy.pt 和 stats.json 归一化器。
HF blogAI 评分1010 Hugging Face Datasets 数据集列表更新：MiMo-V2.6-RL-oss、EgoPro 等上榜
Hugging Face Datasets 页面更新了一批数据集，小米 MiMo-V2.6-RL-oss 以 7.78k 下载量、47.8k 点赞居前，espnet/yodas3 约 2 小时前更新。
NVIDIA blog robotics精选AI 评分7878 NVIDIA 发布 Isaac ROS 5.0，支持 ROS Lyrical 与 agentic 开发工作流
NVIDIA 在 ROSCon 发布 Isaac ROS 5.0，新增对 ROS Lyrical 和 Ubuntu 24.04 的支持，并引入面向 AI agent 的 setup、manipulation 等可复用技能与 agent-ready 文档。
推荐理由：Isaac ROS 5.0 的 agentic 工作流与 ROS Lyrical、Ubuntu 24.04 支持，为开发者提供了从开发到 Jetson 部署的完整路径参考。
HF blogAI 评分3636 Hugging Face 社区发布 CPM-jev：基于 MiniCPM5-2B-Base 的 Jev 风格决策模型研究预览版
社区独立项目 CPM-jev 发布 v0.1-research-preview，这是基于 openbmb/MiniCPM5-2B-Base 的 LoRA 微调模型，新增决策头为候选动作打分并归一化为概率分布。
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。
NVIDIA blog robotics精选AI 评分7171 Skild AI 发布 S1 机器人基础模型，单段视频即可学习新任务
Skild AI 发布 S1 机器人基础模型，可用单段视频演示作为提示，在不更新权重、不做任务专项后训练的情况下执行此前未见的长程任务，最长约 10 分钟，涵盖装盆、做煎饼、手冲咖啡和套件装配等。
推荐理由：S1 用单段视频提示完成长程任务且不更新权重，读者可据此判断免重训部署路径的可行边界。
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。
DeepMind blogAI 评分2222 Google DeepMind 模型全景：Gemini、Genie 3、Gemini Robotics 2 等
Google DeepMind 集中列出其模型阵容，包括新一代前沿智能 Gemini、实时音频模型 Gemini Audio、视频生成模型 Veo、图像生成与编辑模型 Nano Banana。
DeepMind blogAI 评分1212 Google DeepMind 发布 Gemini 4 Argon 等系列模型与研究成果
Google DeepMind 公布 Gemini 4 Argon，称其为下一代前沿智能。同期发布 Gemini 3.8 Live 与 Live Avatar、Gemini 3.8 Flash 及 3.8 Flash Cyber、Gemini 3.8 文本转语音，以及 AlphaGenome Atlas 和 WeatherNext 3 全球天气 AI 模型。
HF blog精选AI 评分6262 UrbanGround：基于香港全域三维数据的真实尺度城市智能体导航沙盒
UrbanGround 是一个基于香港全域三维地理数据构建的真实尺度城市副本沙盒，用于测试多模态大语言模型智能体能否在闭环第一人称视角下完成可靠导航与空间推理。
推荐理由：UrbanGround 用香港全域三维数据搭建可闭环交互的城市沙盒，读者可了解 MLLM 智能体在长程城市导航中的能力边界。
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。
DeepMind blogAI 评分2727 DeepMind 发布《视觉通用智能》白皮书：视觉经验能否通向 AGI
Google DeepMind 发布白皮书《Visual General Intelligence》，探讨以视觉为中心、从图像、视频和几何等模态的学习中能否涌现出通向 AGI 的智能，并将其称为视觉通用智能（VGI）。白皮书由多位不同机构作者共同撰写，目标不是给出视觉智能的唯一定义，而是厘清 AGI 时代计算机视觉应追求的原则、视觉输入模态、基准、学习范式，以及视觉作为核心与语言等其他模态的关系。
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 blogAI 评分3030 EnvHarness：为智能体学习唤醒静态世界
Hugging Face 论文页发布 EnvHarness，提出为智能体学习"唤醒静态世界"的方法。该页面目前仅开放论文讨论，未披露模型版本、任务本体、成功率或真机部署等具体细节。
NVIDIA blog robotics精选AI 评分7878 NVIDIA 发布 Cosmos 3 开放世界基础模型家族
NVIDIA 发布 Cosmos 3 开放物理 AI 世界基础模型家族，基于 mixture-of-transformers 架构，同时支持视觉推理、世界生成与动作预测。
推荐理由：Cosmos 3 以开放权重和三种规模覆盖世界生成与动作预测，读者可据此判断物理 AI 团队如何做后训练与部署。
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。
HF blog精选AI 评分6262 BridgeVLA++：面向 3D 操作的数据高效、可泛化、记忆增强 VLA 框架
BridgeVLA++ 在 BridgeVLA 基础上加入统一时空记忆架构，可对观测历史进行推理，同时保留原框架的数据效率与泛化能力。该框架在两个记忆依赖型操作基准上取得 state-of-the-art 表现，并在双臂操作设置和另一个真实机器人平台上完成验证。项目主页为 https://bridgevla-plus.github.io/。
推荐理由：BridgeVLA++ 在原有数据效率基础上加入时空记忆，读者可了解记忆增强 VLA 在 3D 操作任务上的设计思路与验证范围。
HF blog精选AI 评分6262 GROVE：从流式视频经验中构建并推理时间分层记忆
GROVE 是一个免训练框架，用单一因果增长的记忆统一反应式视频问答与主动辅助，支持多尺度检索。它把细粒度感知证据逐步整合为带时间戳的时刻、连贯片段和跨天重复模式，每层配对应的检索技能。在 MM-lifelong 和 EgoServe 等基准上，GROVE 取得所比较方法中的最佳结果，消融显示各时间层与访问技能互补，跨多天证据时模式层收益最大。代码将发布于 GitHub。
推荐理由：GROVE 用单一因果增长记忆统一视频问答与主动辅助，读者可了解其分层记忆与检索设计。
DeepMind blog精选AI 评分8383 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。
NVIDIA blog roboticsAI 评分2222 NVIDIA Jetson 平台：从 Orin Nano Super 到 AGX Thor，把机器人“大脑”装进手提包
NVIDIA 展示 Jetson 边缘 AI 与机器人平台，Jetson Orin Nano Super 提供 67 TOPS 算力，可本地运行 Reachy Mini 语音视觉助手等首个机器人项目。
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6262 ReflectWorld-MM：面向开放视频流的实体导向多模态记忆系统
ReflectWorld-MM 是一个面向开放视频流的实体导向多模态记忆系统，用分层长期记忆围绕持续存在的实体组织观察，以改进跨时间的跟踪与推理。系统包含三部分：在有限短期记忆下把音视频流转化为实体解析观察的感知前端、基于人类记忆理论的分层长期记忆（耦合多尺度情景记忆、演进的实体中心语义记忆与程序性记忆），以及可接入现成助手的完整实现。
推荐理由：论文提出面向开放视频流的实体导向多模态记忆系统，读者可了解其分层记忆结构与六项基准表现。
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。
NVIDIA blog robotics精选AI 评分7878 NVIDIA 推出 Jetson T3000 与 T2000 模块，扩展边缘 AI 机器人平台
NVIDIA 推出基于 Thor 架构的 Jetson T3000 与 IGX T3000 模块，提供 865 FP4 teraflops 算力，体积和功耗约为 T5000 的一半，并推出 400 FP4 teraflops、16GB 内存的 Jetson T2000。
推荐理由：原文给出两款 Thor 模块的算力、内存与上市节奏，读者可据此判断边缘端机器人算力选型与迁移路径。