《EpiSEM-Bench》提出一种新型评测框架，聚焦 tool-using agent 在“事实缺失”下的安全失效问题：工具返回全真，却因关键信息被遮蔽而误执行禁令操作。通过300对孪生任务、600个世界，将“世界是否允许”与“agent能否看见”解耦，揭示现有模型多具备“正确行动”但缺乏“抗缺证”能力。评测设完整、抑制（SE）、可恢复（RE）三阶段，以六项指标（如PUR、SBM）综合衡量，发现

UniWALM提出一种统一生成视频、动作与语言的闭环框架，三模态在同一次去噪中通过共享注意力同步生成，并将生成的语言作为下一步的prompt实现跨步记忆。其核心创新在于：语言从零训练的离散扩散模型与动作、视频共用去噪节奏；引入FMC（From Perturbation to Correction）训练目标，使模型学会从扰动轨迹中恢复，推理无额外开销。在仿真与真机任务中，记忆能力显著提升（如真机Fi

UniWALM提出一种统一生成视频、动作与语言的闭环框架，通过共享自注意力在同一次去噪中同步生成三模态输出，并将生成的语言作为跨步提示实现记忆增强。其核心创新在于将语言从输入转为生成目标，结合离散扩散与双时间尺度监督，显著提升任务表现：真机记忆任务准确率从11.1%升至61.1%，仿真任务平均领先14.8个百分点。引入FMC训练机制使模型具备从扰动中恢复轨迹的能力，二维轨迹Chamfer距离改善4

FOUND-IT++ 通过单目相机实现端到端自主移动操作，构建分层3D场景图（物体、地点、区域），在真实任务中达成76次导航全成功、18次抓取9次成功。系统以查询驱动建图，稀疏底图+稠密物体缓存降低开销；地点层四色分类（安全/危险/未探索/终点）显式融入机器人尺寸，提升导航可靠性；通过回环修正与位姿前向传播保障精度；变化检测仅关注任务相关物体，成本极低。核心突破在于：图的可信度分层——导航信“地点

本文提出DSP框架，通过几分钟人类遥操作克隆出目标无关的“玩耍策略”，让机器人自主玩耍数小时采集丰富交互数据，训练动作条件世界模型，再结合MPC进行目标导向规划。该方法在仿真与真机上均实现高成功率，仅用70万帧即达强化学习3.44亿帧效果，且无需任务示范或复杂奖励设计。核心创新在于将“玩耍”建模为可克隆的状态条件策略，实现数据采集与控制解耦，突破传统玩耍工程化难题。

人搬一个大箱子，不会只用手掌。他会先用胸口把箱子顶住，找一下重心，再让箱角贴着前臂滑过去，最后用另一只手补位——整个上半身都在参与，手只是其中一个接触点。而今天的人形机器人做同一件事

机器人学这几年最扎实的进展，是把动作预测做得越来越准：视觉—语言—动作模型（VLA）用离散动作 token 或者扩散、流匹配的连续解码器，把预训练大模型里的语义知识接到了机器人的动作输出上。可真正跑过长时间任务的人都知道，动作准和任务成，是两件事。

将车载导航从按钮切换为自然语言输入，虽提升交互自由度，却暴露安全判定缺口：模型难区分“无害误述”与“恶意指令”，且原由规则模块承担的“是否执行”判断被端到端模型吞噬。为解决此问题，SafeDriveVLA提出三重机制：构建多视角评测基准（含跟随、冲突感知、对抗指令），分离“执行意图”与“动作生成”，引入三级模式标签（strict/cautious/fallback）并结合动作条件世界模型“梦境式”

论文提出一种无需机器人参与的触觉数据采集新范式，通过手持设备TacClaw在200台设备、50多个场地分布式采集，实现10,000+小时、100万 episodes、10亿帧的规模化触觉数据。核心突破在于剔除“目标机器人”成本，仅保留人力投入，并首次实现时间、语义、空间三重结构化标注。数据支持跨异构机器人零样本迁移，验证了触觉数据规模化可行性，推动触觉智能迈向视觉级规模。

本文提出ProWorld，一个用于机器人策略闭环评测的世界模型，核心在于解决生成式环境在失败场景下的“交互幻觉”问题。传统方法仅生成画面，忽略本体状态与失败后果，导致成功率被系统性高估。ProWorld通过联合预测多视角视频与机器人状态，并在闭环中回灌完整观测，确保策略输入真实；同时引入失败轨迹数据增广，使模型能忠实还原动作失败的物理后果。实验表明，其生成环境成功率与真机高度相关（Pearson