Hydra-0 通过将机器人动作投影为图像平面上的action flow（可见点轨迹），实现跨平台视觉动力学建模。该方法将关节角、末端位姿等异构控制信号统一为可共享的视觉中间表示，使模型仅需学习“画面如何变化”，而非特定机器人控制语法。训练时结合真实数据与仿真生成流，部署时利用几何投影确保条件与观测对齐；通过潜变量聚合与高斯传播，高效融合稀疏轨迹信息。实验表明，其运动误差降低90.4%，物体预测误

具身智能的分论坛在 WRC 2026 上抛出了最锋利的问题：通用世界模型真的"通用"了吗？在生数科技给出的 L1-L5 分级里，L1 是生成"世界演化"的视频模型，L5 是调度多个智能体的"世界组织者"，而评价一个模型处在哪一级，要看它是否具备理解、预测、行动三种能力耦合而成的闭环反馈。这个坐标系的另一端，站着的正是极佳视界刚发布的。

LifelongCrossNav提出一种统一框架，解决未知多楼层环境中序列式多物体导航难题。针对现有方法在跨楼层通行与持久记忆间的割裂，该工作构建支撑感知的稀疏3D体素地图，同时保留几何结构与语义记忆，通过七类体素状态精确区分楼层、楼梯与可通行区域，并设计统一导航策略实现探索、楼梯穿越与历史目标复用的无缝切换。在新基准HM3D-MFMON上验证，显著优于平面表示与单任务方法，为服务机器人落地提供关

JEPA-WAM 通过冻结的 V-JEPA 2.1 联合编码当前与未来帧，构建保留 patch 对应关系的转移目标，以在不生成视频的前提下学习状态演化。共享预测器同时完成潜在状态转移预测与动作条件提取，提升模型在相机、背景、物体布局变化下的泛化能力。在 LIBERO-Plus 等基准上，未预训练即达 79.2%，迁移后达 86.3%；真实双臂实验也验证其对分布偏移的鲁棒性。该方法在保持低推理延迟的

Real-Time Chunking（RTC）解决机器人动作分块在真实执行中的延迟错位问题：因推理耗时导致动作段切换时出现停顿或冲突。论文将此建模为图像补全问题，利用伪逆引导（ΠGDM）在去噪过程中软约束前缀动作，确保时间连续性。后续工作通过训练阶段前缀条件进一步降低推理开销，实现端到端延迟从135ms降至108ms。结合异步调度与软掩码机制，真机实验显示系统在200ms延迟下仍能稳定运行，显著提

WALA（World- and Action-supervised Latent Actions）面向机器人操作策略学习，处理的是带动作标注的机器人演示数据稀缺、而大规模人类视频缺乏动作标签这一核心矛盾。它没有简单地在视觉-语言-动作模型上堆砌更多机器人数据，而是通过语义-几何潜动作模型预训练与潜世界监督下的策略学习两个阶段，把无动作视频中的场景演变转化为对潜动作的约束。从 RoboCasa-GR

测试时训练（TTT）通过在推理阶段动态更新快速权重，实现序列建模与恢复任务的实例自适应。其核心是将每条输入序列视为临时数据集，利用自监督损失（如重构损失）在前向传播中对小规模参数进行梯度更新，从而在保持线性复杂度的同时增强长程依赖建模能力。外层训练学习“如何学习”的元策略，内层则针对具体输入实时优化权重，不改变主模型参数，避免漂移。该范式在文本、图像恢复（TTTIR）与机器人控制（RoboTTT）

RL2-VLA 针对视觉-语言-动作模型在域外指令下的性能衰退问题，提出一种测试时增强框架：冻结基础VLA，通过轻量强化学习（RL）策略在VLA潜变量上进行可微引导，结合失败检测与验证器，仅在必要时干预动作生成。其核心创新在于区分“是否介入”与“如何介入”，避免对可靠策略过度扰动。通过在潜空间施加RL steering，生成更具多样性的候选动作，突破原分布局限，显著提升OOD泛化能力。

TrAct提出以视觉轨迹替代动作作为世界模型与策略的共享接口，解决动作条件化预测中因本体差异和欠定映射导致的幻觉问题。通过联合预测动作与2D轨迹（夹爪+场景网格点），并用轨迹条件化世界模型生成可评估的未来画面，再以视觉-语言模型在图像空间直接对照指令打分，实现更可靠的闭环决策。该方法将评估锚定于可解释的图像空间，显著提升仿真（0.27→0.55）与真机任务成功率（0.49→0.76），并在视频质量

世界动作模型（WAM）旨在让机器人在统一框架下同时解决“执行动作后世界如何变化”与“应采取何种动作达成目标”两大问题。区别于传统视频生成模型，WAM聚焦于行动相关的未来表征，摒弃对无关视觉细节的过度建模。其核心在于将未来预测作为训练监督或推理工具，而非必须生成完整视频。当前研究呈现三类路径：显式联合生成未来与动作（如GR-1、UD-VLA）、仅用未来辅助训练（如LiLa-WAM）、测试时以未来模拟