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。

谷歌DeepMind发布Gemini Robotics 2，可控制人形机器人全身动作，从脚趾到指尖，支持行走、蹲下、伸展及操作物体。新模型提升手部灵活性，能完成密封袋、拧灯泡等精细任务。同时升级Gemini Robotics ER 2，增强多步骤任务和安全性，并支持多机器人协作。

MoMo是一种两阶段模仿学习框架，包含时空动作分词器和行为克隆变换器，通过输入任务和连续运动模式条件，控制机器人操作中的动作执行方式。在六个真实机器人操作任务中，该框架能产生稳定、动态及中间行为，且人类可区分。即使任务仅以单一模式演示，MoMo也能迁移未见模式，保持任务成功率，展示了对任务-模式组合的泛化能力。

Go 1.28 计划引入泛型集合类型，由七位核心开发者提出，包括哈希 Set/Map、有序树形 Map、泛型堆等七个组件，解决标准库集合类型缺失问题。提案采用 F-bounded 多态设计抽象接口，兼顾兼容性与性能，若通过将显著简化开发，但仍在提案阶段。

Robo-ValueRL提出统一框架，研究离线到在线强化学习中价值估计可靠性对策略优化的影响。它训练历史条件价值估计器，用全局进度和局部偏好指标评估可靠性，并用于质量条件预训练和在线残差自适应。实验显示，可靠价值函数能提升动作质量估计，稳定在线提升，使芯片插入成功率达86%。

BeingBeyond发布首个基于人类视频数据的隐式触觉世界动作模型Being-H0.8，将触觉纳入“预测-执行-反馈”链路。模型通过TactoHand从无触觉标注视频中推断接触，通用触觉编码器统一信号，TopoHand对齐动作，并利用超50万小时数据训练，实现包中取物、毛笔写字等精细任务。

Black Forest Labs发布FLUX 3多模态模型，统一学习图像、视频和音频，基于Self-Flow方法。视频生成最长20秒含原生音频，在偏好测试中优于多数竞品，但训练计算超95%用于视频。访问受限，优先开放视频和动作内容。

星尘智能发布了第二代具身基座模型Lumo-2和物理AI智能体Philia。Lumo-2通过预测物理变化提升机器人在家庭任务中的能力，涵盖22项家务。Philia整合多台机器人，关注用户体验，提供长期服务。这两者共同推动具身智能进入系统工程阶段，强调技术与用户体验的结合。

VT-WAM是一种视觉-触觉世界动作模型，旨在提升机器人在复杂环境中的操作能力。它结合视觉和触觉信息，通过非对称MoT注意力和接触门控机制优化动作预测，强调触觉动态的重要性，以克服视觉信息的主导偏差。

蚂蚁灵波于7月10日发布了LingBot-VA 2.0，标志着机器人基础模型从数字世界向物理世界的转变。该模型通过自回归架构和因果预训练，提升了执行速度和泛化能力，解决了具身智能的效率问题。LingBot-VA 2.0设计包括语义视觉-动作分词器和增强的异步推理机制，确保机器人在真实环境中高效执行任务。蚂蚁灵波将继续探索具身智能的潜力，并将在2026世界人工智能大会展示其技术成果。