GOAG 是一种物体无关的深度生成式抓取规划器，学习特定夹爪的接触面分布，无需物体特定训练数据即可为未见物体采样有效抓取。作者在仿真与真实场景的抓取协议上验证该方法，在 MultiDex 数据集上取得 86.93% 的平均成功率，生成大量抓取时处理速度明显更快，性能与专门在该数据集上训练的方法相当。代码与视频见项目网站 https://cea-list.github.io/goagweb/。
推荐理由：论文提出与物体无关的抓取规划思路，读者可了解其如何用夹爪接触面分布替代物体特定训练数据。
CoToGrasp 是一个以特定接触拓扑为条件生成多样稳定抓取的生成框架，采用与物体无关、以夹爪为中心的工作空间实现零样本泛化。该方法完全在物体无关的方式下训练，通过特征化规范工作空间将局部物体特征投影到统一的夹爪中心域，解耦语义功能意图与物体几何。
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。
Genesis 发布 v1.2.2，新增面向强化学习灵巧策略训练的高吞吐真实触觉传感器系列，并支持迟滞、失效触觉单元、探针增益等噪声选项。非凸碰撞检测鲁棒性提升，性能与凸分解相当，修复了虚假深层接触与薄壳穿透问题；启用 noslip 后处理对所有后端的减速降至 20% 以内。