Runway发布了首个通用世界模型GWM-1及其变体，包括GWM Worlds、GWM Avatars和GWM Robotics，基于Gen-4.5构建。GWM Worlds支持实时环境模拟，GWM Avatars用于人类对话模拟，GWM Robotics提升机器人操作的训练效率和安全性。同时，Gen-4.5还增强了音频生成与编辑功能。

本文介绍了VITAL策略学习框架，通过将操作任务分为到达和局部交互两个阶段，结合视觉和触觉感知，提高机器人在精细操作中的成功率和泛化能力。VITAL利用视觉-语言模型进行目标定位，并通过触觉反馈实现高精度操作，克服了模仿学习和强化学习的局限性。

本研究提出了知识捕捉、适应与组合（KCAC）框架，旨在解决机器人操作中强化学习的样本低效和可解释性不足的问题。该框架在复杂环境中实现了40%的训练时间缩短和10%的任务成功率提升，为强化学习中的课程设计应用提供了重要见解。

本研究提出了ManipBench基准，用于评估视觉-语言模型在低级机器人操作中的有效性。结果表明，不同模型在任务表现上存在显著差异，并且与真实操作任务相关，显示出模型与人类理解之间的明显差距。

本研究提出了一种新颖的视觉-语言-行动模型FSD，旨在解决机器人操作中的泛化问题。FSD通过空间关系推理生成中间表示，显著提高了零-shot机器人操作任务的成功率。

本文讨论了π0.5模型在机器人操作中的进展，强调其在未知环境中执行复杂任务的泛化能力。模型通过结合多种数据源，采用分层架构进行预训练和微调，展现出高效的推理能力和多模态数据的协同训练。

本研究提出了Bi-LAT，一个结合双边控制与自然语言处理的模仿学习框架，旨在实现机器人操作中的精确力调节。该方法通过多模态变换器模型编码人类指令，有效区分真实任务中的微妙力需求。

本研究提出了一种不确定性感知的政策优化框架，旨在解决模型基强化学习中的策略学习偏差问题。通过主动收集不确定样本以提高模型准确性，实验结果表明该方法在机器人操作和Atari游戏中优于现有技术。

本文提出了一种低成本的数据生成管道，结合物理模拟和人类示范，有效生成用于机器人操作任务的数据集。通过轨迹优化技术，处理虚拟现实中的示范数据，适应不同机器人形态，实现数据重用。实验表明，训练的策略能在多种机器人形态下成功执行复杂任务。

本研究提出了一种新颖的语义方向概念，解决了视觉语言模型在物体方向理解上的不足。通过构建OrienText300K数据集，提升了机器人操作的精度，具有广泛应用潜力。

本研究提出了一种名为S$^2$-扩散的策略，旨在解决机器人操作中技能学习仅限于特定实例的问题。该方法结合语义模块与空间表示，实现技能从实例级到类别级的推广，实验表明其在类别无关因素变化时仍能保持性能，并有效转移技能至其他实例。

本研究提出了一种3D基础视觉语言框架，解决了多模态语言模型在机器人操作中的3D场景定位问题。通过将2D图像映射到点云并引入小型语言模型，显著提升了3D场景理解能力，实验显示任务成功率达到96.0%。

本研究提出了CordViP框架，旨在解决机器人操作中的灵巧性问题。该方法结合物体的6D姿态估计和机器人本体感知，在四个现实任务中实现了90%的成功率，展现了优越的泛化能力和鲁棒性。

本文探讨了视觉-语言-动作（VLA）模型在机器人操作中的应用与挑战，提出了GRAPE方法，通过偏好对齐提升机器人策略的泛化能力。GRAPE利用视觉语言模型分解任务，优化轨迹以适应不同操控目标，旨在降低强化学习成本并提高灵活性。

本研究提出ET-SEED模型，旨在解决模仿学习中对示例的依赖问题，从而显著提升机器人操作任务的训练和数据效率。

UC伯克利提出的HIL-SERL框架结合视觉与人类修正的强化学习方法，能够高效完成复杂的机器人操作任务，如动态翻转物体和设备组装。该系统在1到2.5小时内训练出高成功率的策略，显著优于传统方法，强调了人机互动在提升学习性能中的重要性。