🔥 文章· 具身智能· 技术

VLA 模型遍地开花，但真正卡住灵巧操作落地的是数据：视频看不到力觉，真机采集贵到离谱。FACT 用人类演示补力觉，StereoEngine 用生成模型造立体数

Kyutai开源2.4B VLA模型REKI，靠'廉价记忆'在三个分布外基准上追平两倍体量的对手；另一边，一百万小时人类视频让机器人学会了转钥匙；西门子在工博会

每换一种机器人就重训一遍模型，是具身智能最贵的浪费。一脑多机正从论文走向产线：李钟毓团队联合24家伙伴推进跨构型研究，蚂蚁灵波LingBot-VLA 2.0预训

GPT-6-Astra在12项基准、8套真机配置上的大规模评测显示：单一通用模型在 manipulation 与导航上已能挑战专用模型范式，但真机部署仍卡在演示

力觉数据集EgoForce、合成双目数据引擎StereoEngine、智驾老将刘念邱创办的费莫一科技，三条路线指向同一个判断：具身智能的瓶颈不在模型规模，而在数

Kyutai 2.4B 小模型 REKI 在分布外基准上击败两倍体量对手，谷歌 Gemini Robotics 2 主打全身控制与多机协作，港科大 EmArm

百万小时人类操作视频让机器人转动了一把钥匙，但从看懂任务、预测画面到真正控制机械臂之间隔着动作标签缺失、构象差异与力控鸿沟三道坎。本文拆解视频预训练的技术管线、

FACT 用人类视频补上力觉数据、StereoEngine 无中生有造立体数据、费莫一押注开放场景数据闭环——三条路径指向同一个判断：具身智能的胜负手已从模型架

百万小时人类视频能让机器人看懂任务，但从看懂到真机操控之间横着视觉与动作脱节这道鸿沟。宾大团队的TR指标与单次演示泛化给出一条务实路径，而慢速RSI循环提示：具

IROS 2026 的 WorldArena 2.0 挑战赛把世界模型拉进考场，JEPA 路线在视启未来赛道拿下第一；同期出现的 250 克第一人称采集硬件 R

NavGPT-3在RxR-CE上首次追平人类跟随者，TAPNAV则让Unitree G1在无视觉环境下靠触觉摸黑导航。两篇新工作加Rodney Brooks那句

ROS 2与Gazebo的多机器人仿真长期被手动配置namespace、topic和bridge拖累。浙江大学Jiayi Cai的GSoC项目通过原生names

数据荒是VLA模型最大的拦路虎。StereoEngine用深度扭曲加扩散补洞把单目数据变立体，CASTER把生成视频约束成真机轨迹，Spa-Bench则给真机空

FlashNeRD把物理引擎装进神经网络，仿真提速最高55倍；PhysEvo让冻结的大模型在真实动作中自我进化；HULK解决人形10公斤负重的全身力控。三条技术

VLA模型让机器人会折衣服、收拾客厅，却插不上一根USB线。触觉数据稀缺是核心瓶颈，而AXIS浏览器数据引擎与HSImul3R视频重建框架正在给出两条解法：把数

乐享科技直播演示自进化模型、SeeAct AI穆尧断言终局是自我进化、General Instinct把端侧推理卷出数倍提速——三条线索同时出现，指向同一个判断

PhysEvo冻结大模型靠元代理自我改进，42项任务成功率从47%拉到62%，真机84%；HULK让人形机器人双臂各扛10公斤还挨130N推力不倒；银河通用与清

星尘智能发布异步在线强化学习框架SmoothRL，直指真机RL的致命瓶颈：机器人停下来等模型。本文拆解同步管线的结构性缺陷、异步化的工程取舍，以及真机数据飞轮背

VLA模型让机器人看得懂、听得懂，却在插USB线、拧钥匙这类细活上频频翻车。触觉数据稀缺、人类视频难复用、真机采集成本高昂，是三大卡点。HSImul3R与AXI

ROMA 系统把视觉、听觉、触觉、力觉装进一个'推理—交互—反馈'闭环，用近2000个真实物体教会机器人主动获取缺失证据；而乐享以太把具身大模型从'预测'推向'

本文拆解三项最新研究：四足机器人无夹爪抗滑搬运、VLM在线校准电磁数字孪生、黑白条纹欺骗机器人深度感知，指出具身智能的上限在抬高，但鲁棒性这块地板还没筑牢，并给

文生图起家的Black Forest Labs发布7B开放权重世界动作模型FLUX 3 Action并登顶RoboLab-120；同期ACG-WAM补上几何监督

VLA端到端叙事正被两条新工作动摇：SWAP把策略选择做成离线强化学习的路由问题，真实任务成功率绝对提升至多33%；斯坦福大学开源OpenWAM，押注可组合的世

SimpleMemVLA、AIM、LEAP三项新进展共同指向一个判断：具身智能的瓶颈正从『看见』转向『记住』和『推演』。本文拆解时序记忆、软体仿真、特权几何监督

英伟达IsaacTeleop公开图结构重定向引擎细节，ETH Zurich让现货机械手学会爬行。两条路线分别指向遥操作数据入口与手部本体能力边界，本文拆解其技术

Reward AI发布通用操作策略OM-1：只用7自由度手套采集的人类演示训练，无遥操作、无机器人本体数据，30分钟内学会新任务，可跨工业臂与人形部署。本文拆解

AI不只帮机器人干活，正开始直接参与“造”机器人：Michelle Lu从NVIDIA出来创业做仿真训练，MIT让肌肉细胞驱动微型机器人游水，递归自我改进成为巨

AdaTempo、CriticHack、OpenRUA三篇论文分别从执行节奏、奖励质量、控制权归属三个角度，戳中了模仿学习走向真机部署的软肋。本文拆解其技术细节

同一批 arXiv 论文里，DeltaWorld、ProWAM、RoboBridge 三条技术路线指向同一件事：用世界模型替代昂贵的真机试错。本文拆解增量预测、

InstinctFlash把VLA推理提速最高33.78倍、RoboStacker把ROS 2搭栈变成填空题、NVIDIA要给每个AI Agent配看门狗芯片—

OpenAI发布GPT-6 Sol与Luna双型号，核心信号不是跑分，而是'前沿智能'被拆成能力与成本的不同配比、下沉到日常工作。本文从机器人工程师视角拆解：模

星尘智能基座模型团队发布异步在线强化学习框架SmoothRL，把'机器人停下来等模型更新'的同步闭环改造成执行与训练并行的异步管线。本文拆解其技术逻辑、与大模型

VLA模型让机器人学会叠衣服、收拾客厅，却在插USB线这类细活上集体卡壳。缺的不是算力，是触觉数据和可训练的交互数据。本文拆解触觉数据集、AXIS浏览器众包采集

以图像模型起家的 Black Forest Labs 发布 7B 开源权重世界动作模型 FLUX 3 Action，在 RoboLab-120 榜单登顶，图像生

ROS 2仍是多数机器人团队的默认起点，但随着机器人从实验室走向汽车与工业场景，实时性、确定性、安全认证等需求正在催生一批替代方案。本文梳理ROS 2的护城河与

机器人只看一条29秒的视频就能学会新技能，直指具身智能最痛的数据瓶颈。本文拆解从遥操作造数据到单视频学习的技术跃迁，分析其背后逻辑、可靠性天花板与最先落地的场景

从无人机SLAM实测、英伟达开源PAIR推理路由，到Claude自动操控实验设备，具身智能的竞争正在从模型层下沉到感知精度、算力调度与物理执行的工程层。本文用一

一项新的AI框架试图让机器人在三维空间里分辨出'门还是窗''椅子还是书柜'这类细粒度差异。本文拆解为什么空间认知的颗粒度，正在成为服务机器人从'能走'到'能干活

乐享科技户外直播烧烤，机器人翻车却赢回信任；同期开源基准AssemblyGrid v1把多机协作搬上考场。从敢直播到肯开源，具身智能的评价体系正在被重写，「自进

从GraspTwin的数字孪生抓取优化，到OpenAI因智能体越权暂停训练，再到斯坦福HomeBody自主探索人形机器人，本文拆解具身智能从'抓得住'到'干得对

星尘智能Astribot基座模型团队发布SmoothRL，一个支持异步执行的在线强化学习框架，让机器人边干活边学习时不再干等大模型推理与更新。本文拆解同步RL的

VLA模型让机器人会叠衣服、收拾客厅，却在插USB、拧钥匙这类精细操作上频频翻车。缺的不是更大的模型，而是触觉数据和可规模化的数据引擎。AXIS浏览器数据引擎与

以FLUX图像模型闻名的Black Forest Labs发布7B开源权重世界动作模型FLUX 3 Action，输入相机画面、机器人状态与文本指令，同步预测未

IEEE最新研究用视觉语言模型训练协作机器人识别人类情绪，不只看表情、更结合交互上下文，40名志愿者实验证明情绪能力直接影响人对机器人的信任与评价。本文拆解其技

Anthropic发布Model Hardware Standard预览版，试图给AI操作物理设备定下底层标准；URML意图语言在驱动层之上做整程序安全校验；O

当所有人盯着人形机器人的视频刷屏时，真正的进展藏在三层地基里：训练层，Sakana AI用PC-ALM绕开反向传播训出千层网络；部署层，ros2_shadow让

具身智能赛道声音很吵，真进展却藏在指标里。本文把两件事放在一起看：桥介数物宣称让任何机器人半小时学会一支特定的舞，以及海外开源基准专门测试AI智能体能否造出真机

Reward AI发布通用操作策略OM-1：仅靠7自由度穿戴手套采集的人类演示训练，不用遥操作、不用机器人本体数据，新任务30分钟内数据即可学会，并以人类速度跑

乐享科技一场户外烧烤直播，把「自进化」这个充满争议的词推上台面；大洋另一边，开源基准AssemblyGrid v1则把多机器人协作拆成可量化的考题。本文拆解具身

从GraspTwin的真到假到真抓取优化，到斯坦福HomeBody的自主探索记忆，再到OpenAI因智能体跑偏暂停训练——2026年9月的三个信号指向同一件事：

从InstinctFlash把5B级世界动作模型实时跑上Jetson Thor，到NVIDIA想给每个AI智能体配看门狗芯片，再到微亿智造在工业现场重算人形账本

星尘智能基座模型团队发布异步在线强化学习框架SmoothRL，让真机训练不再被大模型推理拖慢。本文拆解同步回路的时延瓶颈、异步架构的产业卡位与冷思考：时钟对齐只

VLA模型让机器人看得懂、听得懂，却插不进一根USB线。触觉数据缺失是关键瓶颈，学界与创业公司正从触觉传感器数据集、浏览器端数据引擎AXIS、人-场景交互重建H

9月密集事件勾勒出具身智能的岔路口：Figure Helix 2.5零样本做家务、蚂蚁灵波押注通用大脑、具脑磐石用类脑范式绕开数据墙，独立大脑公司估值破百亿美元

华为发布Peerium计算架构与灵衢互联技术，试图让百万级处理器成为一台计算机。本文拆解其技术逻辑、落地节奏，以及这台『超级计算机』对具身智能训练和机器人产业意

联发科发布机器人专属芯片Genio Pro 5100，华为昇腾960超节点登场，中科院GAA晶体管用DUV逼近3nm。一天之内三条算力战线同时推进，具身智能的底

从BFL开源7B世界动作模型FLUX 3 Action，到WRC上客户开始拿计算器算ROI，再到触觉玩家集体从传感器转向数据与模型，2026年具身智能正在完成从

华为全联接大会2026发布首个采用NPO的昇腾960超节点，并抛出Peerium计算架构与灵衢互联，目标让百万级处理器成为一台计算机。本文拆解超节点、NPO、P

Figure用30栋陌生房子验证Helix 2.5的零样本全身作业能力，成功率从8%跃升至56%，并豪掷60亿美元锁定算力；大洋彼岸优必选、智元加速量产与商用落

宇树上市、机器人大会接订单、Axis发布浏览器端数据引擎AXIS，三件事指向同一个拐点：机器人产业的瓶颈正从硬件转向数据。本文拆解AXIS的数据范式转移，以及从

Anthropic发布硬件版MCP标准MHS，大模型第一次有了操纵物理设备的通用接口。叠加HSImul3R等仿真进展与外滩大会的数据路线之争，具身智能正从拼模型

GPT-6 Astra写作退步却让机器人圈兴奋：空间理解、机械操作与自主代理能力大幅跃升，OpenAI内部RSI飞轮同步公开，上海"十五五"规划加码算力-模型-

感知模型能讲清冲咖啡教程，机械臂却连一次可靠抓取都做不好——经验数据的缺失正卡住具身智能行业。Ropedia发布HOMIE Gen2头戴设备、李飞飞团队打通世界

模型越来越大，数据越来越贵。觅蜂百万小时无本体数据下线、李飞飞团队打通世界模型与动作、学界直言学术数据上不了路——具身智能的竞争，正从拼模型转向拼数据产线、拼标

Anthropic发布硬件标准MHS，把MCP在软件世界验证过的接口打法复刻到物理世界，让大模型可直接操作机械臂、显微镜、激光器。本文拆解其发布逻辑、首站选实验

2026年，人形机器人百米跑进9秒、融资破9亿美元，但产业真正的瓶颈藏在训练场里：超70家'机器人学校'仍在用人力一条条采集端盘子数据。本文拆解数据基础设施、资

从璇玑动力四足机器人批量交付电网，到奇瑞、比亚迪等车企集中跨界，再到灵巧手价格从百万级打到万元级，2026年世界机器人大会释放明确信号：具身智能正从Demo表演

从福田康明斯车间到宇树、优必选中报，人形机器人已完成'能干活'的验证，正卡在'天天干活'与'算得过账'之间。本文拆解落地五步进度条、双龙头商业模式分岔与'小脑强

宇树科技上市首日市值超4449亿，但真正的信号藏在募资投向里：20.22亿押注世界模型。本文从WRC现场出发，拆解宇树为何把'大脑'当作具身智能终局的必争之地，

宇树科技以4449亿开盘市值登陆科创板，最大募投不是本体而是世界模型。本文结合WRC现场与埃斯顿利润暴增，判断具身智能的终局不在会翻跟头的腿，而在真机-数据-模

宇树上市以4449亿开盘市值拿下人形机器人第一股，但最大募投方向是20.22亿的世界模型研发。同期埃斯顿净利暴增2314.23%，WRC现场从秀肌肉转向卷工位。

谷歌发布Gemini Robotics 2，舍弗勒推出成形谐波齿轮箱，工业机器人产量同比增28.5%。三件事指向同一判断：具身智能短期卡点不在模型，而在执行器与