追踪视觉语言动作模型的研究、可复用工程方法与真实部署证据。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
北美具身初创 Skild AI 发布机器人基础模型 S1，主打上下文学习，无需后训练或微调，只看一段人类示范视频即可完成煎饼、冲泡咖啡、给植物换盆、设备组装等长程任务，上下文学习任务长度最长 10 分钟。
推荐理由：Skild AI 的 S1 把机器人上下文学习拉到 10 分钟长程任务，并给出与语言提示 VLA 的成功率对比数据。
原力灵机DM0.5在RoboDojo具身评测中以综合得分24.90、平均成功率19.34%登顶，Memory维度得分47.74，Cover Blocks任务三次随机测试成功率均为100%。
推荐理由：原力灵机DM0.5登顶RoboDojo并开源权重与训练框架，读者可了解其数据、架构与推理加速的具体做法。
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。
Generalist AI 发布机器人基础模型 GEN-1.5，主打 One-shot Learning，机器人看完 3-12 秒动作示范后无需梯度更新或微调即可执行新任务，还能把两段演示拼接成连续任务。
推荐理由：GEN-1.5 把动作示范当作上下文提示，读者可据此了解机器人基础模型在少样本学习上的新路径。
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。
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。
SG-WAM 提出在策略表征空间内学习几何感知、动作条件化的动力学，用自引导潜在预测和几何监督训练，无需大规模预训练。基于 0.9B 模型，它在 LIBERO 上取得 98.5% 平均成功率、LIBERO-Plus 上 73%，并在分布内和分布外真机评测中优于强基线。方法将潜在未来预测、几何接地与流匹配动作生成端到端联合优化。
推荐理由：论文提出在策略表征空间内做几何感知的世界建模，并给出 LIBERO 与真机评测结果，可供关注世界模型与操作策略训练的读者参考。
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。
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。