该研究探索将游戏中的非机器人交互数据（键鼠操作与屏幕变化）用于具身智能预训练，提出通过事件预测与未来画面潜变量预测双任务，在冻结视频模型监督下学习可迁移的表征。实验在LIBERO仿真环境中验证，仅用游戏数据预训练即实现成功率从85.90%提升至90.55%，但未涉及真机实验，且未分离训练量与数据类型的影响。核心贡献在于构建了一条从人类行为数据到机器人策略的可行迁移路径，强调其仍处于特定配置下的探索

CIALLO提出一种跨机器人本体的动作意图对齐框架，通过将异构动作数据压缩为共享的短时行为意图（2×512 token），并利用视觉变化与语言指令作为跨本体锚点，实现不同机械臂间意图空间的统一。其核心创新在于显式分离“通用意图”与“本体专属参数”，仅需10秒真实录制与30分钟单卡校准，即可在新机器人上实现76.7%的任务成功率，显著优于全量微调。实验表明，该方法有效克服了传统重建无法保证语义对齐的

BridgeKV提出“大模型prefill + 小模型decode”新范式，通过可训练的缝合模块ψ，将8B模型生成的32层128维KV cache映射至1B模型的16层64维结构，实现2.96秒响应（较8B快3倍，仅比1B慢5.7%），CoQA F1达80.6（+3.4分）。核心突破在于跨模型KV cache语义对齐，以大模型输出为目标进行KL蒸馏，而非仅复现小模型自身行为。虽需额外118M参数与

本文通过可控的削皮模拟实验，揭示动作表示对机器人学习泛化能力的关键影响。在相同物理条件下，对比世界坐标、物体坐标与表面坐标三种表示，发现表面坐标显著降低预测误差（NRMSE 0.561）与决策后悔值（归一化降至 0.226），优于前两者。核心原因是：正确表示能保持物理等价交互的不变性，并避免不同交互被误判为相同输入。研究强调，动作表示的选择直接影响模型能否捕捉本质物理规律，而非单纯依赖数据增广或网

本文提出一种无需重训、不改指令的闭式权重编辑方法，针对机器人因“语言绑定错误”导致的任务失败。通过分析“方块进碗”任务中策略对指令理解偏差，作者在VLM的17层MLP投影层进行低秩更新，仅用一次激活采集与矩阵运算，即实现成功率从27/128提升至106/128（p < 10⁻²¹）。该方法基于“好指令”与原句的残差差异，解正则化最小范数方程，精准修正语义绑定错误，且不影响其他任务性能。关键在于：只

本文通过受控实验拆解编码代理自学习系统的四大核心变量：模型、技能库、反馈粒度与课程设计。在九个复杂操纵任务上，发现真正瓶颈并非信息不足，而是信息无法转化为正确策略更新。关键结论包括：反馈过细反而降低性能（如按动作报告优于按技能报告），世界坐标信息若无合适表示仍难利用，且课程设计具有任务依赖性——可能显著提升或摧毁成功率。实验表明，两轮迭代后模型差异可拉开30%成功率，而反馈与课程设计的影响远超模型

本文通过受控实验拆解编码代理自学习系统的四大核心变量：模型、技能库、反馈粒度与课程设计。在九个复杂操纵任务上，发现真正瓶颈并非信息不足，而是信息无法转化为正确策略更新。关键结论包括：反馈过细反而降低性能（如按动作报告优于按技能报告），世界坐标信息若无合适表示仍难利用，且课程设计具有任务依赖性——可能显著提升或摧毁成功率。实验表明，两轮迭代后模型差异可拉开30%成功率，而反馈与课程设计的影响远超模型

VREgo提出一种基于消费级VR头显（PICO 4 Ultra）的具身数据采集新范式，通过双目透视相机、手部跟踪与图像处理，将人类第一人称演示转化为机器人可学习的“手部轨迹+物体关键点+抓取标签”数据。其核心创新在于无需关节重定向，直接以手腕位姿为动作空间，结合仿真闭环验证。尽管未在真机测试，但系统首次量化了VR采集中视差丢失、物体定位偏差、抓取标签误标等关键问题，揭示了数据质量瓶颈，为低成本、高

本文提出“原语”（agent-native primitive）概念，解决大模型在真实任务中“能调用却不会用”的“最后一公里”难题。通过为每个资源配备常驻LLM，实现参数自动解析、结果自验证与消息驱动协作，结合HEELO框架实现任务图组合、证据追踪与能力沉淀。实测显示，在46个真实任务上，Claude Code与Codex成功率从9提升至35-39，且成本降低至1.55分之一，验证了“能力应沉淀于

论文提出一种两阶段开放词表物体搜索框架，通过“检索-核验”解耦实现高效缺席判断。在保持90%召回率的同时，将特异度从9%提升至92.5%，仅需2秒延迟，显著优于传统方法。核心创新在于将“不在”作为可测量输出，首次在指标层面量化机器人记忆的拒绝能力，解决了长期被忽视的“假阴性”问题。系统基于带位姿的视觉记忆，结合字幕与CLIP检索，以SAM3视觉核验实现精准否决，为家庭助理、搜救等高可靠性场景提供新