本文提出FAST方法，基于DCT信号压缩将机器人连续动作序列高效编码为低频系数，显著缩短序列长度（如5个分量即达0.001误差），实现自回归模型在精细操作任务中首次媲美Pi0FM的精度，训练速度提升5倍。通过通用预训练Tokenizer复用语言模型优势，支持零样本语言跟随，且无需固定长度填充。虽推理较慢（30-50ms），但突破了传统量化导致的时序失真与训练瓶颈，实现“动作MP3压缩”式高效建模。

本文提出RECAP框架，首次实现大模型VLA在真实机器人长程任务中通过“稀疏成败→价值估计→优势条件策略”闭环迭代优化。核心创新在于：以简单文本条件（positive/negative advantage）接入流匹配策略，兼容多源数据（演示、自主、纠错），实现端到端离线强化学习；在咖啡机、衣物叠放等复杂任务上，成功率提升近半，吞吐量超2倍，验证了通用视觉-语言-动作模型在真机持续进化的能力。

χ₀基于开源π₀.₅，以“资源可承受”三件套（模型合模、阶段感知优势、训练-部署对齐）实现长程衣物双臂操作接近产线稳定。核心创新在于系统性对齐三类分布：演示（P_train）、策略（Q_model）、真机执行（P_test），破解覆盖不足、时序错配与失败级联问题。通过权重空间合模补覆盖、直接回归阶段进度信号降噪声、及增广与平滑对齐分布，实现在20小时/任务、8×A100下成功率提升250%（达近1

HumanEgo的核心创新在于提出Interaction-Centric Token（ICT），将人机模仿从视觉外观对齐转化为交互几何不变表示，实现跨身体形态的统一建模。通过分离视觉外观与运动学差异，结合稳定的手-夹爪重映射、多任务密集监督与零样本迁移，仅需15–30分钟人类视频即可在多种机器人上部署，性能超越遥操作。其最大价值在于揭示“交互几何”作为跨体感不变量的普适性，为后续研究提供关键方法论

论文提出“灵巧手基础模型”的系统性创新：通过人类视频→多手型机器人轨迹的可扩展数据管线，构建首个大规模、多手型、全模态的UniDex-Dataset；设计FAAS统一动作空间，实现跨手零样本迁移；结合UniDex-VLA与人机共训（UniDex-Cap），以2:1兑换率降低真实数据成本。核心贡献在于数据生成系统与动作语义对齐机制，推动灵巧操作从“单手专用”迈向“通用可迁移”。

Phantom通过RGBD+HaMeR将受控人类视频中手姿转为可信3D机器人末端动作，经inpaint与MuJoCo渲染生成“机器人视角”视频，实现零样本策略训练。Masquerade扩展至野外场景，因无深度信息，仅用2D关键点辅助，以二维末端位置监督，结合真机协同训练，弥补三维不准问题，需每任务50条真实机器人数据微调。

本文提出一种基于第一人称视频的连续动作预测方法，通过世界坐标系下摄像机位姿实现未来手腕位置的跨帧投影，保障监督一致性。模型融合6帧RGB图像与本体感觉信息（腕位姿、MANO参数），采用端到端轨迹解码器直接回归连续动作。训练分两阶段：人类视频预训练后在机器人仿真中微调。部署时结合坐标变换、逆运动学与专用重定向网络，实现从人类动作到仿人手的精准映射。

把腕部相机里的末端执行器遮住，VLA模型就不再依赖特定机械臂/夹爪的外形来做决策

EgoMimic提出无需遥操作机器人即可通过佩戴Project Aria采集第一人称视频与手部轨迹，实现人手与机械臂数据的联合训练。通过统一坐标系对齐、共享ACT架构及双头监督（姿态+关节），使人类演示直接驱动低层控制策略，显著提升真机长程任务性能。实验证明，1小时人手数据常优于1小时机器人数据，突破传统模仿学习中“人手仅作高层规划”的局限。

BEHAROR-1K2026挑战赛纯仿真数据集基于OmniGibson，包含100个长程家务任务，每任务200条演示，共2万条episode、2.109亿帧（30fps），约1,953小时，总大小3.0TB。