莱斯大学与英伟达提出RoboTok，一个面向互联网规模人类视频的示范检索数据引擎。它从网络视频中筛选片段、重建三维手部轨迹，学习运动嵌入空间，实现高效相似行为检索，无需任务标签。实验显示其检索质量远超基线，并能提升灵巧操作策略成功率，为机器人学习提供可持续扩展的数据来源。

具身智能领域兴起In-Context Learning（ICL）趋势，机器人通过观看演示视频即可学习新任务，无需微调。Skild AI和Generalist AI等公司展示了相关成果，但面临视觉理解、多模态和长上下文记忆等挑战。国内创业公司可可矩阵致力于将ICL作为底层范式，通过条件表征和轻量动作生成提升机器人学习效率，并探索自我纠错能力。

RoboPocket系统利用智能手机作为边缘计算设备，通过实时反馈和AR视觉前瞻，统一数据采集、训练和测试角色，实现无机器人的即时策略迭代。它采用同构夹爪和感知完备设计确保数据质量，并通过主动验证和时空同步支持多设备协作，降低机器人学习门槛。

自变量机器人发布HOST框架，使机器人仅需观看29秒人类演示视频即可学会新技能，无需更新参数或采集数据。该框架采用双专家MoT架构，视觉大脑理解任务进度，动作大脑反推动作，成功率62%，比传统方案快507倍。HOST避免灾难性遗忘，抗干扰强，已开源，推动普通人教机器人做家务的时代到来。

EgoVerse是由佐治亚理工等机构发起的全球第一视角人类操作数据生态，旨在为机器人学习建立统一数据标准。光轮智能作为唯一中国公司参与，提供端侧采集、云端处理和仿真验证的质量控制体系，并同时参与NVIDIA等发起的Newton仿真标准，推动物理AI基础设施的全球定义。

原力灵机推出的DW0.5具身世界模型，结合DFOL2.0框架，降低了60%的真机数据需求。DW0.5通过模拟动作后果与价值反馈，提升机器人在复杂环境中的学习能力，支持多模态输入，增强训练效率和成本效益。该模型在多个基准测试中表现优异，已实现闭环流程，未来将应用于具身智能领域。

本文探讨了觉-语言-动作（VLA）模型在机器人学习中的应用，提出了一种视频生成式价值模型（ViVa），通过预测未来状态来改进价值估计。ViVa结合预训练的视频生成模型、当前观测和本体感知，评估任务进展，提升机器人在复杂环境中的操作能力。研究表明，该方法在真实世界任务中表现优越，能够有效跟踪任务进度并处理新颖物体。

本文介绍了一种新型机器人学习模型X-VLA，采用软提示技术以提升跨具身机器人学习的适应性和泛化能力。通过引入可学习的嵌入，X-VLA有效解决了不同硬件和任务环境下的异质性问题，增强了模型在多样化数据集上的表现。该模型在多个基准测试中表现优异，展现出在灵巧操作和适应新领域方面的强大能力。

本文探讨了具身智能的研究及其在物理世界中的应用，强调通过与环境互动形成智能。推荐了一系列高质量数据集、在线教程和论文，涵盖机器人学习、视觉问答等领域，以支持学习与研究。

本文探讨了视觉语言动作（VLA）与强化学习（RL）结合的必要性，提出了GR-RL框架，以提高机器人在长时域操作中的灵巧性和精确度。GR-RL通过离线RL过滤次优数据，增强动作并进行在线RL调整，解决了人类示范中的噪声和不匹配问题。尽管GR-RL在高精度任务中表现出色，但仍面临行为漂移等局限性。

本文介绍了RECAP框架在π∗0.6模型中的应用，通过结合示范数据和自主经验，提升机器人在复杂任务中的学习能力。该框架采用离线预训练和在线微调，优化决策过程，显著提高了机器人在制作咖啡和折叠衣物等任务中的表现。

NVIDIA的Newton物理引擎和Isaac GR00T模型通过OpenUSD加速机器人学习，支持人形机器人在复杂环境中高效操作。采用“模拟优先”方法，机器人可在虚拟环境中并行训练，提升技能，优化在工厂和公共场所的应用。

NVIDIA在亚特兰大国际机器人与自动化会议上展示了其在生成AI、仿真和自主操作方面的研究突破。这些创新将推动自主车辆和类人机器人的发展，提升安全性和控制能力，主要研究包括生成4D驾驶场景、实时感知故障监测和人机交互政策调整，旨在改善机器人学习和应用的可靠性。

RoboVerse是一个统一的机器人学习平台，解决了数据集和评估体系的碎片化问题。它提供MetaSim接口，支持多种仿真器，构建高质量合成数据集，并实现混合仿真，提升迁移效果。此外，平台支持遥操作和AI自动生成任务，显著提高研究效率与实验规模。

Imagination-to-Real通过结合生成性AI和经典物理模拟器，提供真实、多样和几何准确的视觉数据，改变了机器人学习方式，帮助机器人训练复杂任务，并鼓励开源贡献。