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。

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。

RISE是一个通过想象进行机器人强化学习的框架，旨在提升视觉-语言-动作模型在复杂任务中的鲁棒性。它结合动力学预测和价值估计，利用组合式世界模型生成高效学习信号，表现优于传统强化学习方法，能够有效应对动态适应性和精确性要求的任务。

本文介绍了GigaBrain-0.5M*模型，该模型通过世界模型增强了视觉-语言-动作（VLA）系统的能力。GigaBrain-0.5M*在GigaBrain-0.5的基础上，采用了基于世界模型的强化学习方法RAMP，显著提升了机器人在复杂任务中的表现，尤其在长时程任务中的前瞻性规划能力。

GigaBrain-0是一种新型视觉-语言-动作（VLA）模型，旨在通过整合视觉输入、自然语言指令和运动控制，提升机器人在多样环境中的操作能力。该模型利用生成的数据，降低对真实世界数据的依赖，提高泛化能力和数据效率。GigaBrain-0采用混合架构，增强空间感知能力，并通过生成中间推理步骤，模拟人类问题解决过程，实现更精确的操作和决策。

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。

抱歉，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。