llm-test 是一个实验性项目，利用 LLM 代替人类测试 Emacs 包。用户通过自然语言描述测试，LLM agent 操作 Emacs 并判断测试结果。与传统测试不同，llm-test 更关注用户体验，适合复杂交互和 UI 流程验证。尽管速度较慢且结果不确定，但能覆盖传统测试难以实现的场景。

香港科技大学研发的宇树G1篮球机器人成功掌握真实场景打篮球技能，成为全球首个实现此功能的机器人。该项目基于SkillMimic-V2技术，通过改进数据处理和技能学习，显著提升了机器人在复杂交互中的表现。

本研究提出了SCENT框架，旨在解决时空学习中的复杂交互、高维数据和可扩展性问题。该框架整合了插值、重建和预测功能，并引入可学习查询和跨查询注意机制，以提升模型的泛化能力。实验结果表明，SCENT在多项任务中表现优异，具备良好的可扩展性。

该研究提出了一种新的WLKS方法，通过对诱导的$k$-跳邻域应用Weisfeiler-Lehman算法，解决了图神经网络在子图任务中捕捉复杂交互的不足。实验结果表明，WLKS在多个数据集上显著提高了性能并减少了训练时间。

本研究提出了DexDiffuser框架，旨在解决现有扩散规划方法在复杂交互中的适应性不足。通过结合双阶段扩散过程和大语言模型，DexDiffuser在多任务中的成功率显著高于现有方法，展现出在丰富操作中的鲁棒性和灵活性。