第8届智源大会在北京举行，聚焦世界模型等前沿议题。昆仑万维的刘扬介绍了Matrix-Game的最新进展，提出了一种状态与动作联合生成的新框架。Matrix-Game 3.5计划于2026年发布，旨在突破长时序生成中的记忆瓶颈，推动世界模型在机器人控制与物理交互中的应用。

星海图提出的G0.5模型将视觉语言模型与动作生成统一为单一自回归序列，通过共享权重实现推理与动作的耦合，提升机器人控制效率。该模型采用可学习的动作分词器和视觉记忆模块，优化动作生成过程，减少离散化负担，能够在零样本条件下分解任务，直接生成动作，增强对复杂场景的适应能力。

GR00T N1.6和N1.7是NVIDIA开发的视觉语言模型（VLM），用于机器人控制。N1.6改进了模型结构，支持灵活分辨率，并引入新数据集；N1.7在此基础上增强了模型的泛化能力，并在大量人类视频数据上进行预训练，提高了机器人控制的精确性和效率。

蚂蚁灵波科技与香港科技大学合作的论文《Causal World Modeling for Robot Control》被国际机器人会议RSS 2026接收。研究提出了因果世界建模框架LingBot-VA，使机器人能够预测环境变化并生成动作指令，从而提升环境理解和自主决策能力。LingBot-VA在多项任务中表现优异，成功率显著高于行业基线，展现出良好的数据效率和泛化能力。

本文探讨了基于消费级GPU的实时视觉-语言模型（VLA）机器人控制技术。通过优化推理流程，推理延迟降低至27.3毫秒，抓取成功率达到100%。研究表明，VLA在机器人控制中可有效满足实时操作需求。

麻省理工学院的工程师们开发了一种超声波腕带，能够实时精确追踪佩戴者的手部动作，并通过人工智能算法将这些动作转化为机器人或虚拟环境中的操作。研究表明，佩戴者可以无线控制机器人进行弹钢琴和投篮等活动。团队计划进一步缩小腕带硬件，并训练AI软件以适应更多手势，实现更高灵活性的手部动作追踪。

DreamZero是一种新型世界动作模型，通过联合预测视频和动作，提升机器人在新环境中的泛化能力。与传统模型相比，DreamZero能够高效学习多样化技能，支持零样本泛化，并实现实时控制。其核心在于利用预训练的视频扩散模型，结合自回归架构和优化策略，提高推理速度和准确性。

本文介绍了MetaWorld，一个基于分层世界模型的机器人控制框架，旨在弥合高层语义理解与低层物理执行之间的鸿沟。该框架结合视觉-语言模型、模仿学习和强化学习的优势，通过分层架构进行任务解析和动作生成，提升机器人在动态环境中的适应性和泛化能力。

本文介绍了Hume模型，该模型结合双系统思维（System-1和System-2），提升机器人在复杂任务中的表现。Hume通过价值引导的重复采样和级联动作去噪机制，实现高效的动作预测和实时控制。System-2生成候选动作并评估其价值，System-1则快速执行细化动作，使机器人能够灵活应对动态环境。

本文讨论了流策略优化（FPO）在强化学习中的应用，强调其通过条件流匹配损失替代传统高斯似然损失，从而提高策略表达能力。FPO有效处理多峰决策问题，适用于复杂任务，如机器人控制，并通过优化证据下界（ELBO）简化计算过程，提升学习效率。

Google DeepMind推出Gemini Robotics On-Device机器人控制模型，该模型可在本地离线运行，具备视觉识别、语言理解和动作执行能力。通过少量示范学习，模型能快速适应多种任务，推动机器人技术的普及与应用，但安全性和多步骤逻辑规划仍需改进。

Hugging Face推出了SmolVLA，一个轻量级的视觉-语言-动作模型，旨在以低成本和高效能实现机器人控制。该模型基于社区数据训练，优化于单GPU或CPU环境，具备低延迟和高成功率，适用于多种机器人平台。SmolVLA的异步推理提高了控制效率，显著降低了计算需求，为未来的机器人学习研究奠定基础。