商汤发布针对 GPT-6-Astra 具身智能的实证研究，覆盖 12 个仿真基准和 8 个真实机器人平台，并同步开源 SenseNova-RoboRSI 框架及一个 27B 模型，其运行成本约为 GPT-6-Astra 的 1/50。在统一协议（ICL 加最多 10 倍交互预算）下，GPT-6-Astra 在 12 个基准上均达到 SOTA，RoboDojo 从 1 倍预算的 27.6% 升至 10 倍的 81.9%，DexJoCo 达 87.3%，此前 SOTA 为 40.3%，LIBERO 基准则被推到饱和。研究同时指出，把笔放进笔筒这类简单任务的推理成本约 55 美元，且真实机器人会过热、等待时间过长，因此结论是 GPT-6-Astra 已基本跨过具身能力门槛，但实用级具身智能尚未到来。
匹配字段标题、摘要、正文
商汤开源了SenseNova-RoboRSI框架及一个27B具身模型,并同步发布针对GPT-6-Astra的具身智能实证研究。该研究覆盖12个仿真基准和8个真实机器人平台。在统一协议(ICL加最多10倍交互预算)下,GPT-6-Astra在12个基准上均达到SOTA,RoboDojo成功率从1倍预算的27.6%升至10倍的81.9%,DexJoCo达87.3%,此前SOTA为40.3%。研究同时指出,把笔放进笔筒这类简单任务推理成本约55美元,真实机器人会过热、等待时间过长,结论是GPT-6-Astra已基本跨过具身能力门槛,但实用级具身智能尚未到来。开源框架将各Benchmark封装为独立Docker镜像并通过统一HTTP API提供环境交互与评分;27B模型在RoboCasa365上成功率由26.0%提升至46.5%,任务Token开销减少73%,任务完成成本约为GPT-6-Astra的1/50。
匹配字段摘要
智元携手清华大学、无问芯穹发布群体经验学习范式CEL，让机器人以同伴的真实作业轨迹作为学习素材，人类只负责结果判定。在插花、叠衣、手机充电、凳子组装、手机包装五项真机任务上，CEL训练的策略全部超过6名人类远程操作员平均水平，最高领先16.7个百分点，整体成功率达97.5%；手机包装任务中参与训练的机器人从16台扩至96台，成功率从86.7%升至98.3%。配套的FERT算法用失败轨迹定位短板、检索成功片段优先采样，FATS容错异步训练系统在96台机器人实验中累计完成9834轮任务采集，30起故障带来的机时损耗仅占集群总运行时间的1.3%。
WAVE 的第七弹，智元携手清华大学、无问芯穹发布群体经验学习（CEL）范式，持续落地 “让机器人真正上岗 —— 从数据到智能的全栈闭环” 作业智能布局。范式打通经验获取、经验利用、规模化在线学习完整链路，以“机器人同伴互为经验来源”为核心突破口，把真实作业中的每一次成功与失败都变成群体共同的学习素材，让机器人集群规模的扩大直接转化为任务执行可靠性的提升，为具身智能摆脱“专家示范难以同步增加”的规模化瓶颈，开辟自主成长的新路径。 120次连续包装手机，只失败2次——这不是熟练工的答卷，是一台机器人的：策略成功率从79.2%提升至98.3%，失败次数从25次降到2次，减少92%。更关键的是方法：这96台机器人没有等任何一位人类老师逐台示范——它们的动作监督，来自彼此。 10月30日，作为AI WAVE的第七弹，智元携手清华大学、无问芯穹正式发布群体经验学习范式CEL(Collective Experience Learning)。在插花、叠衣、手机充电、凳子组装、手机包装五项真实任务上，CEL训练的策略全部超过6名人类远程操作员的平均水平，最高反超16.7个百分点——在相同物理训练时间内
匹配字段正文
逐际动力更新开源工程底座 FluxVLA Engine 的第二版技术报告，相较 9 月首版新增在线强化学习后训练实验，并扩展仿真评测与真机部署覆盖范围。报告显示，14 种策略接入同一套 LIBERO 闭环评测，8 组模型与设备组合的推理频率提升至 2.31–9.64 倍；SmolVLA 经在线强化学习后，在 LIBERO-10 和 RoboTwin Clean 十项任务上的成功率分别提升 10.0 和 15.4 个百分点。部署链路已在 ALOHA、双臂 Franka、Rebot 和 LimX Oli 等平台验证。
具身智能的ChatGPT时刻什么时候到来？ 大概就是大家看到GPT-6 Astra仅凭一行API就能跨界向机器人下达指令的时候。 老O家还是有实力，抢先一步向全世界证明，AI的通用能力足够惊艳，而且远远没有到头。 坏消息是：把指令翻译成物理动作的工程底座（Infra）却还是一条坑洼土路…… 模型能力越强，就越需要一套好用、完善的具身Infra，接住前沿算法的每一次跃迁。 近期，逐际动力更新了其开源工程底座 FluxVLA Engine 的第二版技术报告。 相较9月发布的首版，V2进一步加入在线强化学习后训练实验，并扩展了仿真评测和真机部署的覆盖范围。 报告显示，在仿真侧，14种策略接入同一套LIBERO闭环评测，在RoboCasa GR-1、RoboTwin与RoboDojo上各有8种策略的接入结果。 在推理端，针对8组模型与设备组合的实测显示，优化后的模型推理路径频率提升至2.31–9.64倍。 而在ALOHA、Rebot、双臂Franka以及逐际动力自研的全尺寸人形机器人LimX Oli等多款真实硬件平台上，报告也完整验证了从模型checkpoint直达真机闭环执行的部署链路。 在
匹配字段正文
逐际动力更新开源具身工程底座FluxVLA Engine的第二版技术报告，相较9月首版新增在线强化学习后训练实验，并扩展仿真评测与真机部署覆盖范围。报告显示，SmolVLA经在线强化学习后，在LIBERO-10和RoboTwin Clean十项任务上的成功率分别提升10.0和15.4个百分点；8组模型与设备组合的推理频率提升至2.31–9.64倍。真机侧在ALOHA、双臂Franka、Rebot和自研人形机器人LimX Oli上验证了从模型checkpoint到闭环执行的部署链路。
.0和15.4个百分点。 自今年4月8日开源以来，FluxVLA Engine陆续扩展模型支持、评测配方和真机部署能力。 用逐际动力自己的话来说，FluxVLA Engine就是让底层工程能力真正可复用，把宝贵的研发人力从无休止的“配环境、改接口”中解放出来，让先进的模型真正有路可走、有地可落。 告别“作坊式”重复造轮子，为具身研发建一条“标准产线” 为什么具身智能研发这么又烧钱又费人？ 一大原因是行业里缺少统一的标准件。对大多数团队来说，每一个新实验都是一个一次性工程。 FluxVLA Engine首要目标就是把这种作坊式的重复搭建，升级成标准化的工业流水线——逐际动力创始人兼CEO张巍就将FluxVLA Engine比作模型的生产线。 为了让这条生产线足够皮实足够好用，它围绕四项核心工程原则进行了底层架构设计。 模块解耦：通过注册表和标准接口，把视觉语言骨干、动作头、数据集与训练策略做成标准乐高积木，支持自由组合，也允许保留原生策略实现。 面向部署的系统优化：不搞实验室里的纸上谈兵，从设计之初就把推理加速、RTC（实时动作分块协调）和轨迹后处理焊死在运行流程里。 实验可复现：完整封
匹配字段正文
微软研究团队在《科学》杂志公布一款由GPT-5驱动的AI诊断工具，在选自《新英格兰医学杂志》的复杂病例测试中诊断准确率约83%，借助参考资料的全科医生约36%，不借助参考资料约22%。该工具通过名为“诊断协调器”的机制模拟多名临床专家协同分析，分步决定询问哪些病史、安排哪些检查并持续更新诊断假设。研究团队下一步将与波士顿Beth Israel Deaconess Medical Center合作测试急诊分诊能力，微软尚未说明商业化时间与形式。
项技术也可能即将走向商业化，但微软尚未说明具体何时推出、将以何种形式提供服务。微软目前已通过数字化工具在美国医疗健康领域占据相当大的市场份额，而医疗健康也是其面向消费者推出的聊天机器人Copilot最受欢迎的应用场景之一。 环球市场情报 美股动态 财联社声明：文章内容仅供参考，不构成投资建议。投资者据此操作，风险自担。 商务合作 热门解锁 【机构龙虎榜解读】具身智能+机器视觉，已构建起完整的机器人视觉解决方案体系，并取得突破性进展，与越疆科技联合打造光智具身工业解决方案，机构大额净买入这家公司 ①具身智能+机器视觉，已构建起完整的机器人视觉解决方案体系，并取得突破性进展，与越疆科技联合打造光智具身工业解决方案，机构大额净买入这家公司；②具身智能数据集+AI影视+AI营销+算力，多个具身智能数据集完成数据资产登记，3D铰接数据集入选北京市高质量数据集典型案例，这家公司获净买入。 【财联社早知道周回顾】三度提及，三度次日20cm涨停，本周累计涨幅超94%！栏目为你高效解密这家人气公司背后大涨逻辑 ①栏目子模块合力解读，这家人气公司兼具物理AI、机器人双热点，三度提及，三度次日20cm涨停，
匹配字段正文
MIT CSAIL 与天津大学研究人员开发了 X-Hinges 设计软件，用户可自定义形状与运动方式，软件会自动嵌入两种不同材料分别制作传感器和导线，避免信号互相干扰。该工具支持压缩、上下、左右三个方向的运动，并用它制作了可教机器人抓握的手套、捏合调光的小灯和能识别放置物体的装置。研究团队将在 11 月初的 ACM UIST 会议上展示成果，目前每件打印品的电路布局略有差异，需借助计算机视觉系统重新校准。
ng 和 Li 构建了一个计算机视觉系统，可以重新校准输出以使其对齐，确保两个相同物品的数据准确一致，不过他们希望未来能开发出一种内置的信号重新校准机制。 这一雄心可以追溯到李佳骥自身研究中的主线：让驱动和传感直接在 3D 打印物体内部“生长”，而不是事后添加。他此前构建了打印的肌腱驱动机构，使物体具备运动能力；X-Hinges 则是他如今在传感能力基础上的进一步构建。他说，下一步是在一次打印中把两者结合起来——让驱动和传感在同一制造过程中一同诞生，从而为具身智能和 AI 智能体开辟新的物理平台。 Chang 和 Li 与麻省理工学院 EECS 副教授兼 CSAIL 首席研究员 Stefanie Mueller 以及近期毕业的天津大学毕业生 Haiyang Yan 共同撰写了这篇论文。他们的工作部分得到了浙江大学博士后研究奖学金和 MIT-GIST 项目的支持。 研究人员将于 11 月初在 ACM 用户界面软件与技术研讨会上展示他们的工作。 工程学院 麻省理工学院施瓦茨曼计算学院 计算机科学与技术 产品设计 制造 电气工程与计算机科学（EECS） 工程学院 麻省理工学院施瓦茨曼计算学院
匹配字段正文
北大与启元机器人董豪团队推出 HIL-UMI，在手持 UMI 夹爪采集时接入模型实时比对动作分歧，只在模型预测跑偏处触发定向补录，使后训练不再依赖机械臂。在折毛巾、整理桌面、叠方块、盖章四项真机任务上，相同数据帧预算下平均任务进度分从常规 SFT 的 58.0 提升到 94.8，叠方块和盖章成功率达 100 分。整理桌面长程任务中单帧有效数据采集耗时从真机 HG-DAgger 的 412.99 毫秒降至 73.40 毫秒，采集效率提升 5.63 倍。论文地址：https://arxiv.org/pdf/2609.20659
着同一个云端大模型，模型在谁那里察觉到了动作分歧，就静默抓取那一小段高质量差分数据回传。具身后训练，终于不需要把所有人都在实验室里，用机械臂完成了。 06 “未来的后训练发展， 比的是速度和效率” 在采访中，启元机器人首席科学家董豪给出了一个非常反共识的判断： “预训练和后训练不是简单的比例关系，它们是一个阶段性更替。”在他看来，就像当年 DeepMind 做 AlphaGo，一开始用棋谱做模仿学习（预训练），但真正让它封神的，是后面自己跟自己博弈、大规模强化学习的后训练阶段。现在的机器人大模型同样如此：预训练解决起步的世界观构建，路线相对清晰；但未来谁能真正走向泛化与极致成功率，胜负手全在“可规模化的后训练”。如果说过去两年具身智能拼的是谁先拿大模型把机器人“点亮”，那么下半场的竞争，拼的就是谁能用最低的边际成本、最快地构建起机器人的纠错网络。在具身模型从“能跑通 Demo”跨向“进驻千万家”的关键转折点上，产业到底在打什么算盘？下一代基模与后训练体系又将如何演进？近期，我们也将带来对北大副教授、启元机器人首席科学家董豪的独家专访，聊聊具身学术和产业的融合和互补，敬请期待。（雷峰网）
匹配字段正文
Anthropic 两位研究员 William Zhou 和 Daniel Freeman 发布自主复制与适应（ARA）安全研究，在含 8 个 GCP 节点的隔离沙盒中植入初始蠕虫，由 GLM-5.2 自主扫描 ADB 端口、渗透节点、传输权重并部署 Llama3.1-8B 推理服务，5 次测试中 4 次攻陷全部 8 台设备，另 1 次拿下 7 台。研究还用 Qwen3.5-9B 做跨硬件测试，在 9 种硬件中的 8 种上自行读日志、装依赖并拉起 Llama3.1-8B 服务；其 Memento 框架让后代 Agent 继承前代调试笔记，6 代繁殖测试中部署成功率从 45% 升至 61% 至 84%。研究人员推算到 2026 年年底，30B 以下小模型将达到 GLM-5.2 当前水平。
-9B做了6代繁殖测试。 第一代Qwen在面对陌生物联网硬件时，独立部署推理环境的成功率只有 45% 。 但在继承了前代的笔记和经验之后，到了后续几代， 成功率直接飙升到了61%至84% 。 没有重新训练任何模型权重，仅仅依靠代际之间的文字经验传递，整个物种的生存能力就完成了质的飞跃。 为啥不干脆让小模型在卡壳时，向更强的云端模型求助呢？ 这不直觉多了，参考具身智能的云端大脑方案嘛。 然后我一看，研究人员还真试了，他们给Qwen3.5-9B配了Claude Opus 4.8当场外导师。 结果发现， 完全没用。。。 小模型在遇到复杂系统故障时，彻底干懵了，连该问啥问题都不知道，场外导师再厉害也只能干瞪眼。 反而是那种把自己摔得鼻青脸肿后写下的踩坑日记留给下一代的方式，展现出了惊人的生命力。 呃呃呃。 说真的，看到这里我坐在电脑前愣了很久。 但现实世界的演进逻辑，往往比科幻作家想象的要粗糙、琐碎，却诡异得多。 它可能根本不需要去硬闯顶级数据中心。 它只需要盯上那些由小作坊生产的、连默认密码都不改的、常年通电联网的廉价智能硬件。 平时我们觉得这些算力是碎片化的、孱弱的、毫无威胁的。 但看完这
匹配字段正文
MirroS 团队发布 AgentGarten，将可执行代码环境与实时神经渲染器连接，代码定义物理规则、模型生成视觉反馈，以超过 30 fps 的吞吐让智能体持续与世界交互。在重做的捉迷藏实验中，躲藏者第 4 轮学会搬挡板搭掩体，搜寻者第 10 轮掌握借坡道翻墙，策略演化依靠智能体自己写下的实验手册。团队还提出 Adversarial Forcing 训练方法与精确重放机制，以 480p 分辨率、30 fps 以上吞吐支撑闭环交互。
身生成样本做分数蒸馏，长时间推演容易失真并出现网格状伪影。 团队在训练中引入真实视频判别器构建对抗信号，以真实物理画质为锚点，既约束画面质感，又让生成结果严格贴合代码给出的几何轮廓。 4、维持30+ fps实时交互 团队手写定制了Triton融合算子，消除了显存往返，并避免了传统全图编译数分钟的冷启动等待；配合CUDA Graph消除CPU调度开销，并换上延迟不到10毫秒的超轻量解码器，最终以480p分辨率、30 fps以上的吞吐稳定支撑闭环交互。 可执行的代码，让训练世界能够被无穷无尽地程序化生成；学习得到的渲染器，让这些世界拥有可感知的逼真物理反馈；沉淀下来的实验手册，让每一次摸索都能成为下一轮探索的台阶。 结合这三者，智能体拥有了一个可以真正探索、试错、进化的空间。 这正是MirroS探索Physical RSI（物理世界的递归自我改进）的核心理念。 语言模型的Scaling正在如火如荼，而物理世界中智能的Scaling才刚刚拉开序幕。 真正的通用具身智能，需要在与物理世界的真实往复中持续生长： 让每一次未知，都成为下一轮进化的起点。 本文系量子位获授权刊载，观点仅为原作者所有。
匹配字段正文
清华持股的星动纪元自研世界动作模型VPP2登顶RoboDojo仿真榜单，综合平均成功率32.26%、平均得分39.26分，两项均列第一，领先GPT-6-Astra的22.48%和28.97分。VPP2在泛化、精细操作、记忆三个维度同样第一，且未额外加数据、未用Agent RSI等增强手段，仅靠标准数据集。团队将其部署到真实ALOHA双臂机器人做10类零样本操作，平均成功率58.5%，高于π0.5的40%，10类任务中拿下9类最佳；VPP2现已开源。
、英伟达GR00T-N1.7等一众全球头部具身模型，这次都被甩在了身后。 出手的是一家中国机器人公司—— 清华唯一持股的嫡系具身公司，星动纪元 。 近日，星动纪元 自研的世界动作模型VPP2 ，一举登顶 RoboDojo仿真榜单 。 综合平均成功率32.26%，综合平均得分39.26分，两个指标双双第一。 关键是，这场比赛还真不好打。 RoboDojo号称 具身智能界的「珠穆朗玛峰」 ，由香港大学MMLab牵头，全球近20所顶尖学术机构共同建设。 它专挑机器人不擅长的地方出题：换个环境，还会不会干活？东西摆歪了，还能不能抓准？任务做到一半，还记不记得前面发生了什么？ 总之，想靠刷熟练度蒙混过关，没那么容易。 结果呢？ 星动纪元VPP2不仅拿下综合第一，在 泛化能力、精细操作、记忆能力 三个维度上，也拔得头筹。 据说，这次VPP2 没有额外加数据 ，也 没用Agent RSI等增强手段 ， 仅靠「标准数据集」 ，就把一众高手给卷了下去。 这代表着VPP2模型本身足够强，性能提升来自预训练，基座足够泛化，因此不靠外挂增强策略，不靠扩充数据「刷分」。 不是，哥们儿，这么夯的模型到底是怎么练出
匹配字段正文
中国互联网络信息中心政策与国际合作所在第七届中国互联网基础资源大会上发布《生成式人工智能应用发展报告（2026）》，显示截至2026年上半年我国生成式人工智能用户规模突破7亿人，普及率超过50%。报告称76.0%的用户用其回答问题，处理图片/视频、文本、工作总结/会议纪要/PPT的占比分别为47.8%、37.6%和32.5%；截至2026年6月我国智能算力规模达2185EFLOPS，同比增长177%，2026年上半年人工智能相关投融资事件1255起、金额约2501.4亿元。
智能技术应用普及率已超过三成，人工智能基本贯穿研发设计、生产制造、质检运维等全链条。 二是发展农业新质生产力被摆在突出战略位置。2026年6月，国务院印发《加快农业农村现代化“十五五”规划》通知，将“推进人工智能运用和智慧农业发展”作为重要工作目标。过去一年来，“神农大模型4.0”“谷雨农气大模型V2.0”“范蠡大模型4.0”等多款农业大模型密集发布。 三是具身智能成为人工智能发展最活跃的方向之一。具身智能机器人自主完成复杂任务的能力持续增强，应用场景覆盖工业生产、医疗手术、生活服务等多个领域。2026年上半年我国人形机器人整机产品超400款，预计全年整机产量将突破10万台。 《报告》显示，我国已构建起全球领先的人工智能产业生态，政策端立体护航、技术端全栈突破、融资端量质齐升。 一是政策体系持续完善。我国生成式人工智能顶层设计持续完善，政策重心从“技术攻关”转向“场景落地”与“规范治理”并重。以《国务院关于深入实施“人工智能+”行动的意见》为总牵引，多部委协同发力，密集出台了一系列配套政策，构建起覆盖宏观战略、行业应用、基础设施与国际合作的立体化政策矩阵。 二是关键技术实现突破。我国人
匹配字段正文
中国互联网络信息中心政策与国际合作所在第七届中国互联网基础资源大会上发布《生成式人工智能应用发展报告（2026）》，显示截至 2026 年上半年我国生成式人工智能用户规模突破 7 亿人，普及率超过 50%。报告称 76.0% 的用户用其回答问题，处理图片/视频、文本、工作总结/会议纪要/PPT 的占比分别为 47.8%、37.6% 和 32.5%；截至 2026 年 6 月我国智能算力规模达 2185EFLOPS，同比增长 177%，已建成高质量数据集超过 12 万个。报告还提到 2026 年上半年我国发生 1255 起人工智能相关投融资事件，合计金额约 2501.4 亿元。
智能技术应用普及率已超过三成，人工智能基本贯穿研发设计、生产制造、质检运维等全链条。 二是发展农业新质生产力被摆在突出战略位置。2026年6月，国务院印发《加快农业农村现代化“十五五”规划》通知，将“推进人工智能运用和智慧农业发展”作为重要工作目标。过去一年来，“神农大模型4.0”“谷雨农气大模型V2.0”“范蠡大模型4.0”等多款农业大模型密集发布。 三是具身智能成为人工智能发展最活跃的方向之一。具身智能机器人自主完成复杂任务的能力持续增强，应用场景覆盖工业生产、医疗手术、生活服务等多个领域。2026年上半年我国人形机器人整机产品超400款，预计全年整机产量将突破10万台。 《报告》显示，我国已构建起全球领先的人工智能产业生态，政策端立体护航、技术端全栈突破、融资端量质齐升。 一是政策体系持续完善。我国生成式人工智能顶层设计持续完善，政策重心从“技术攻关”转向“场景落地”与“规范治理”并重。以《国务院关于深入实施“人工智能+”行动的意见》为总牵引，多部委协同发力，密集出台了一系列配套政策，构建起覆盖宏观战略、行业应用、基础设施与国际合作的立体化政策矩阵。 二是关键技术实现突破。我国人
匹配字段正文