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。

蚂蚁灵波科技首席科学家沈宇军在2026中国AIGC产业峰会上指出，AI 2.0将从数字世界转向物理世界，强调数据的重要性。他认为机器人行业面临数据短缺，未来需结合VLA和世界模型，推动具身智能的发展。灵波致力于成为机器人时代的“安卓系统”，通过标准化数据和智能化操作提升机器人应用。预计到2028年，具身智能将快速发展。

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。

英伟达的Jim Fan宣布VLA（视觉-语言-动作）架构已过时，推出新范式WAM（世界动作模型），代表作DreamZero。WAM通过人类第一人称视频训练，提升机器人自主设计能力，预计2040年前实现机器人自我制造。新模型强调视觉和动作的重要性，告别遥操作数据，采用外骨骼装置采集数据。

在红杉AI Ascent 2026大会上，Jim Fan宣布VLA和遥操作已不再适用，未来将依赖世界动作模型（WAM）和人类传感器数据。新范式通过模拟物理世界状态和动作微调，结合强化学习，推动机器人技术进步。EgoScale和Dream Zero等新策略将提升机器人在各种任务中的灵活性和自主性，预示着机器人行业的重大变革。

本文讨论了在真实世界中部署通用机器人策略的挑战，提出了一种名为“部署中学习”（LWD）的框架，通过车队规模的离线到在线强化学习（RL）实现策略的持续改进。该方法结合离线数据和在线交互，利用多样化的部署经验，优化策略以适应新任务和环境。作者提出的分布式隐式价值学习（DIVL）和带有伴随匹配的Q学习（QAM）技术，旨在提高策略的稳定性和泛化能力，实现高效的后训练。

阮翀，元戎首席科学家，分享了如何利用40B基座模型提升自动驾驶研发效率。他强调数据表征和质量评估的重要性，指出基座模型加速了模型迭代，缩短了开发时间。同时，他讨论了物理AI的闭环概念，认为这是AI进入现实世界的关键，并表示选择转向物理AI是因为其更具挑战性和使命感。

高德推出的ABot-World模型是全球首款具身智能机器人操作系统，采用双引擎架构，突破了物理一致性、动作可控性和零样本泛化能力。该模型通过物理优先原则生成高保真场景，支持精确的动作条件化控制，提升了机器人在真实环境中的可靠性。ABot-World在多个评测中表现优异，展现了其在工业级应用中的潜力。

量子位发布的模型π0.7在机器人领域展示了组合泛化能力，能够根据新任务组合已有技能，无需专项训练，表现优于经过微调的专家模型。研究表明，该模型通过多样化的提示和质量标签，有效利用各种数据，提升学习效果，标志着具身智能的新发展，推动机器人技术进步。

PI公司提出了一种多尺度具身记忆（MEM）架构，结合短期视觉记忆和长期语言记忆，以提升机器人在复杂任务中的表现。该系统通过视频编码器处理短期记忆，并利用语言机制跟踪长期事件，使机器人能够有效执行长达15分钟的任务，如厨房整理，同时解决了遮挡问题，增强了在动态环境中的适应能力。

本文讨论了一种轻量级的在线强化学习方法，用于微调视觉-语言-动作模型。研究者通过引入“RL token”提高样本效率，使得模型能够快速适应真实世界任务。该方法结合冻结的VLA和小型actor-critic网络，优化关键任务阶段的表现，旨在实现高效的在线微调，同时保持泛化能力。

Momenta推出R7大模型，利用世界模型增强AI对物理世界的理解。CEO曹旭东表示，传统模仿学习无法超越人类，转向强化学习是关键。Momenta强调算法架构和数据的重要性，传感器排在第三位。

本文介绍了Ψ0模型，该模型结合大规模人类视频数据与真实机器人数据，训练出一种用于类人机器人灵巧运动的视觉-语言动作模型，能够有效提取运动先验，实现复杂的全身控制。

本文探讨了一种双执行体强化学习框架，结合人类反馈优化视觉-语言-动作（VLA）模型。通过“对话与微调”机制，机器人在长时域操作中实现高效学习，成功率达到100%。该方法在多任务设置中展现出良好的样本效率和训练稳定性，适用于复杂的机器人操作任务。

它石智航发布了全球首个具身大模型AWE3.0，具备毫米级精度和柔性物体感知能力，显著提升机器人在复杂环境中的作业能力，推动工业领域的具身智能应用。

EgoScale是一个基于大规模自中心人类数据的灵巧操作迁移框架。通过在20854小时的动作标注视频上训练视觉-语言-动作模型，发现人类数据规模与验证损失呈对数线性关系。该框架采用两阶段迁移方案，先进行大规模预训练，再进行少量对齐的中期训练，使机器人在极少监督下实现灵巧操作。研究表明，预训练策略在不同机器人平台上均能有效迁移，提升任务成功率。

本文介绍了DM0模型，这是一种面向体感智能的视觉-语言-动作（VLA）框架，旨在统一操作与导航。DM0通过多源三阶段训练流程，结合视觉、驾驶和体感数据，克服了传统模型的局限性，并在RoboChallenge基准测试中表现优异，展示了其在物理AI领域的潜力。

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。

抱歉，您提供的文本内容过于简短，无法进行有效总结。请提供更详细的文章内容。

具身智能（Embodied AI）使智能体能够在物理和数字世界中学习与决策，关键技术为世界模型（World Model）。近期研究包括基于视频训练的机器人模型、开源世界模拟器和合成环境生成器，推动智能体在可生成环境中的进化。推荐的六篇论文展示了智能体在复杂任务中的应用与优化。