摘要：本文提出RoboTTT方法，通过将测试时训练（TTT）机制整合到机器人基础模型中，实现了8K时间步的长视觉-运动上下文建模。该方法采用快速权重机制，在训练和推理时动态更新模型参数，将历史信息压缩至权重空间，解决了长上下文建模的三大挑战。实验表明，RoboTTT-8K相比单步基线在复杂任务中性能提升87%，首次证明扩展上下文长度能稳定提升闭环性能（比1K上下文模型提升63%）。创新性地结...

面壁智能发布MiniCPM-Robot系列模型

WAIC现场叠箱封胶，解锁物理AI新技能

入选ECCV 2026

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。

HoloAgent-0是一个统一的具身智能体框架，旨在解决物理机器人执行中的挑战。它通过Embodied AgentOS将自然语言指令转化为可执行技能图，结合空间和时间记忆，支持任务规划、监控和故障恢复。该框架提升了机器人在复杂环境中的导航、操作和协作能力，并通过真实机器人硬件评估展示了在长时序任务中的有效性。

本文研究了利用视觉-语言-动作模型（VLA）进行真实尺度双臂家具装配。作者开发了双臂仿真流水线和VR远程操控系统，以生成高质量示教数据。通过将装配过程分解为语义子任务，优化了装配的精度和效率，解决了误差累积问题。研究还强调了设计因素对装配成功率的影响，并提出了一种进度增强型VLA模型以实现自动化子任务切换。

T-Rex是一个多模态框架，旨在提升机器人对触觉信号的反应能力。它通过构建一个包含触觉和视觉信息的统一模型，利用100小时的触觉同步遥操作数据集，支持灵巧操作。该模型分为低频动作专家和高频触觉专家，能够快速适应复杂的操作任务。

慧思开物发布了毫米级VLA强化学习方案Robo-ValueRL，旨在提升机器人自主判别能力。该框架支持全量开源，允许高校和企业免费获取源代码，降低研发门槛。系统可动态修正运动轨迹，满足精密装配要求，并提供实操教程和测试数据集。

蚂蚁灵波发布了LingBot-VLA 2.0，这是一个开源的视觉-语言-动作模型，专注于复杂物理任务。该模型基于60000小时的真实物理数据，适用于多种机器人构型和任务，尤其在家务等领域表现优异，具备更强的空间理解和未来预测能力，旨在推动机器人技术的通用化和在真实环境中的应用效果。

蚂蚁灵波科技于7月8日发布了LingBot-VLA 2.0，升级了具身基座模型，融入6万小时高质量真实物理数据，支持17个机器人品牌。该模型在双臂协作和长程移动任务中表现优异，已开源，开发者可在多个平台获取，未来将推出更多开发者活动和技术套件。

2026年，世界模型被认为是实现AGI的关键技术，李飞飞将其分为渲染器、模拟器和规划器。WAIC 2026将探讨物理AI的技术路径，关注行业争议与实际成果。因果世界模型的研究将增强机器人对物理规律的理解，推动AI从数据拟合向物理智能转变，未来将促进AI在实体经济中的应用。

长沙具身团队在全身VR摇操系统SONIC的复现中，成功实现了全身自主VLA的采训推全流程，完成了自主桌面收纳任务和箱子搬运实验。研究探讨了全身控制器与遥操作接口的设计，提出基于关节的全身遥操作优于传统方法，并通过实证研究验证了VLA在仿人机器人中的适配性和有效性。

在具身智能领域，视觉-语言-动作（VLA）模型面临模仿学习导致的误差累积问题。华为云的HIL-ResRL方法通过人机协同和残差策略，提高了机器人在真实环境中的任务成功率，实验成功率超过95%。该方法无需重训练，适用于多种工业任务，并通过触觉反馈显著提高精度，展示了快速部署的潜力。

HIL-ResRL是一种即插即用的VLA工具，经过1小时微调后成功率超过95%。该技术在提升机器学习模型应用效率方面具有重要意义。

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。