主题聚焦：具身大脑大模型 RoboBrain 构建、跨本体具身大小脑协作框架 RoboOS 技术，语音技术未来十年走向分析，松灵机器人、睿尔曼智能技术分享、OpenSeek 项目分享。🔥欢迎扫码报名，与顶尖专家共同探讨从大模型到具身智能的数据新基建工作。⏰4 月 24 日 14:00 北京智源大厦线下开放，线上同步直播。

我们首次在大型机器人赛事中引入系统化的过程性数据分析，并对48场比赛的全量数据进行采集与分析，重点关注对抗环境下机器人的稳定性与协作情况，希望可以初步探索挖掘机器人性能的核心指标与潜在短板的方法，分析具身智能模型和算法的优劣，为行业提供可操作的技术洞察与方法参考。，整体呈现出更具进攻性的风格，更倾向于进行高频次射门尝试。基于此，选择机器人足球赛作为研究与评估的切入点，超越单纯的胜负结果，将比赛过程

智源具身智能数据平台现已面向全球开放免费试用申请，招募生态合作伙伴

感受新一代青年科研工作者的活力、热情与担当

该工作提出了Video-XL模型，利用语言模型的压缩能力，仅需一块80G显卡即可理解小时级别的视频；除此之外，Video-XL在多个主流长视频理解基准评测上表现优异。Video-XL有望在多个长视频理解的应用场景中展现出广泛的应用价值，成为得力的长视频理解助手。目前。Video-XL的模型代码均已开源，以促进全球多模态视频理解研究社区的合作和技术共享。

2025年北京智源大会 · PyTorch Day China 论坛上，PyTorch 基金会执行董事 Matt White 宣布高性能通用 AI 算子库 FlagGems 项目获得批准，正式加入 PyTorch 生态项目体系。Pytorch基金会于6月26日在推特上进行了官方宣布。作为唯一支持多种AI芯片架构的算子库，FlagGems 的加入加速了 PyTorch 实现“的技术创新。

下一token预测已在大语言模型领域实现了 ChatGPT 等突破，但是在多模态模型中的适用性仍不明确，多模态任务仍然由扩散模型（如Stable Diffusion）和组合方法（如结合 CLIP视觉编码器和LLM）所主导。2024年10月21日，智源研究院正式发布原生多模态世界模型Emu3。该模型只基于下一个token预测，无需扩散模型或组合方法，即可完成文本、图像、视频三种模态数据的理解和生成。

王仲远：具身智能和无人驾驶不同之处在于无人驾驶整体上是特定的场景，但是具身智能尤其具身机器人要解决的场景数特别多，比如有家庭的场景、流水线的场景，场景的数量多到一定程度之后，数据采集是否容易成为现实，现在研究上有很多基于仿真数据进行模型训练、机器人训练。第三，语义可达，比如，拿苹果是为了榨汁。今天很多人形机器人的强化学习，也是主要在仿真世界进行的，但是未来当这样机器人充分在我们世界中存在，有车这样

RoboBrain-X0 的设计理念正是如此：模型首先将复杂任务（如“整理桌面”）分解为与具体机器人“身体”解耦的通用语义动作序列，并通过统一映射机制，将“意图”高效转译为多种机器人可直接执行的动作。该模型具备零样本泛化能力，完成简单的 pick&place 任务，同时只需在目标任务上进行少量样本微调，即可展现出强大的跨本体适配性，进行复杂任务的拆解和执行。现实世界充满了多样性与不确定。不同的机器

【转载自：机器之心】语音交互作为人机通信的关键接口，长期以来受限于高延迟、低自然度的交替式对话架构。为突破这一瓶颈，北京智源人工智能研究院联合 Spin Matrix 与新加坡南洋理工大学，正式发布 RoboBrain-Audio（FLM-Audio） —— 首个支持 “自然独白 + 双训练范式” 的原生全双工语音对话大模型。在一段自然对话音频中，用户连续提出多个不同问题，并多次在模型回答过程中打