GigaBrain-0.7 是具身基础模型，采用三系统架构：系统1基于 VLM 主干与动作专家生成连续动作；系统2负责理解与长程任务规划；系统3用世界模型预测未来视觉状态并评估进展。模型在超 3.7 万小时、16 种机器人形态的轨迹及约 2.7 亿视觉语言样本上单阶段联合预训练，并通过软知识隔离保持视觉语言能力，实现理解、预测、行动与经验改进的统一。

高德发布首个基于开放世界行为的全身基座模型λ0，仅用人类行动数据即可让机器人学习移动、姿态与双手操作的全身协调。该模型采用无本体全身数据采集，效率约为主流方法的3.4倍，并构建了500小时的HumanVerse-500数据集。在仿真与真机评测中均达到SOTA，真机任务成功率较最强基线提升22.5%，支持零样本跨形态迁移，相关代码与数据已开源。

GigaWorld-Policy-0.5是一种以动作为中心的世界动作模型：训练时利用未来视觉动态提供密集监督，推理时仅解码动作、不生成未来视频，从而降低计算开销。它采用混合Transformer架构，将视觉动态建模与动作生成分配给不同专家模块，在RTX 4090上推理时延约85毫秒。预训练结合动作条件世界建模与WAM训练，并用AutoResearch流水线自动搜索训练配置。实验表明，该模型在保留未来视觉监督优势的同时显著提升了推理效率。

GitHub Computer Use 进入公共预览，可自动操作桌面 GUI，风险从错误回答升级为真实操作。文章主张在模型外设三维门禁：按应用、动作类型和数据敏感度决定自动、询问或拒绝；权限应绑定任务与有效期，敏感数据直接拒绝，执行前复核关键字段，日志最小化。

Flex-π 是华盛顿大学与英伟达提出的 60 亿参数世界-动作模型，旨在调和 VLA 与 WAM 之争。它用单一冻结 VAE 同时编码 RGB 与 3D 点图，用 DINOv3 提供物体语义，经 Mixture-of-Transformers 融合。训练时随机掩蔽视觉流并施加跨模态强制，使单一权重在推理时可灵活选择快慢路径，兼顾实时性与泛化，无需额外传感器或重训先验。

论文提出Show-Harness具身控制框架，使视觉语言模型通过离散语义动作单元直接操控机器人，无需微调即可零样本控制，少量微调可适配小模型；并提出GUMI界面，支持人类与智能体在统一动作空间采集示教数据，实现跨形态复用与协同采集。

文章比较了AI智能体的两种动作机制：工具调用与代码执行。工具调用由模型逐次发起单个请求，结果返回上下文，适合单次、低延迟查询，便于审计；代码执行让模型编写脚本在沙箱中批量调用工具，仅返回最终结果，适合扇出与聚合任务，可减少token消耗并提升准确率。选择取决于调用次数、数据敏感性、延迟、基础设施与审计需求，多数生产智能体会按任务混合使用两者。

Figure、Dyna与亮源新创探索用人类视频预训练机器人。Figure的Index预训练将陌生家庭任务成功率从9%提升至56%，但未公开规模与闭环成功率的关系；Dyna验证人类视频规模扩大可持续提升真机表现；亮源新创用互联网视频验证迁移缩放定律。核心问题是人类经验能否成为可扩展的机器人预训练数据。

AWS公开了π0机器人的微调流程，称动作误差降低约89%。但早期评测因训练回合混入评测导致误差虚高至96%，修正数据切分后才可信。文章强调，关键在于训练与评测回合严格隔离，且89%仅为离线误差，不等于闭环任务成功率。

蚂蚁灵波与港科大联合提出Zero-WAM，一种因果视频-动作模型，通过上下文学习实现机器人零样本跨任务泛化。它利用人类视频作为任务描述，并构建HumanGen数据集（含8.6K任务、74.2K人机样本），提出上下文未来片段预测目标，避免模型走捷径，从而从视频中提取任务信息执行未见任务。

Facet-0是一种面向高精度接触操作的机器人基础模型，结合视觉-语言骨干与流匹配动作专家，联合预测动作及未来腕部扭矩，将接触视为可预测结果。基于ManuFacet-1K数据集训练，并通过Action–Wrench Critic评估交互价值，实现策略细化，提升装配可靠性。

BrowserSkill 通过 bsk CLI 和浏览器扩展，使 AI 能直接操作浏览器，在独立窗口中观察页面并执行点击、输入等动作。其录制功能可记录操作流程供 AI 学习，适合重复性后台任务。使用时需注意隐私，避免在敏感页面录制。

Generalist AI发布机器人基础模型GEN-1.5，支持一次性学习，机器人看3-12秒演示即可学会新任务，无需梯度更新或微调。模型能举一反三，结合不同演示，甚至从模拟器学后直接应用于现实。此能力源于大规模物理数据预训练，类似GPT-3的上下文学习，但成功率仅59%，提升至83%需额外微调。

银河通用发布G0.5模型，采用单一自回归流同时处理推理与动作，替代主流VLA架构中VLM仅作编码器、另配动作专家的设计。该模型通过跨本体动作tokenizer、原生思维链和视觉记忆模块，实现推理与动作共享权重。真机微调成功率76.7%，优于π0.5和GR00T-N1.7，但BEHAVIOR基准绝对成功率仅31.4%，实验样本量小，评测协议多样，需谨慎看待。

ω-0是一种用于人形机器人并行行走与操作的世界动作模型，通过潜在预测而非视频生成来学习全身协同控制。它联合训练未来视觉潜变量与全身动作潜变量，避免依赖大型视频生成器。模型利用人类数据预训练，并构建ω-HOME数据集，在11个家庭任务上实现统一模型控制，展现平滑的全身协调能力。

该论文提出w-0模型，联合预测未来视觉与全身动作，解决人形机器人并发运动操作难题。在11个家庭任务上优于9种基线，发布40小时w-HOME数据集。模型分三阶段训练，结合VLM与V-JEPA，支持多视角输入。局限是硬件耦合、延迟高、缺安全机制，未来需验证跨平台泛化。

MiniCPM推出具身智能模型系列，包括15亿参数的机器人操作模型和0.9B参数的目标跟踪模型，实现端到端映射与实时跟踪。HyperAI官网更新了9个数据集、8个教程等资源，涵盖数学推理、视觉推理等领域，并精选社区文章和百科词条。