UniJEPA 以离散理解、连续未来视觉特征预测与 Flow Matching 动作生成的三流结构，提升机器人在新物体和复杂操作中的泛化能力。

Faster-WAM 在推理期保留未来表征，却用一次 K/V 缓存、稀疏跨分支交互和区间融合降低联合世界动作模型的成本。本文拆解其方法、OOD 证据、真实机器人结果与延迟边界。

解读 Kimi K3 已公开的架构与推理基础设施信息，梳理 Kimi Delta Attention、Stable LatentMoE、长上下文与开放权重计划，并区分官方披露与技术推断。

WorldDiT 以统一扩散 Transformer 联合训练动作生成与未来 RGB patch 预测，在部署时只保留动作分支。本文拆解其 399M 参数架构、flow matching、LIBERO 结果及证据边界。

CoTinyVLA 用双视角时序输入、Plan–Think 分层推理蒸馏与指令释义扩增，让 0.9B VLA 在 LIBERO-Plus 的四个鲁棒性套件上超过最强 7B 基线。本文拆解方法、实验证据与部署边界。

这篇名为 JavisVerse 的综述深入探讨了大型基础模型时代的视听智能（AVI）发展现状。作者群来自新加坡国立大学、牛津大学及微软等顶级机构，系统性地构建了涵盖感知、生成与交互三大维度的技术分类体系。文中详尽梳理了从模态表征、跨模态对齐到自回归与扩散生成的核心技术演进路径。

通用导航基础模型NavFoM，通过统一输入语法与轨迹输出接口，整合了不同任务和机器人本体的导航需求。NavFoM采用7B参数模型，处理多视角视觉输入，输出8个未来轨迹点，覆盖VLN、目标搜索、视觉跟踪和自动驾驶等多个任务。关键技术包括TVI token标记时空信息，BATS算法优化历史帧采样，联合训练802万导航样本和476万QA数据。实验显示NavFoM在7个基准上表现良好，但性能仍低于专用模型

本文提出 DualVLN 方法，通过将视觉语言导航（VLN）任务拆分为异步的双系统架构，解决大模型推理延迟与机器人实时控制需求之间的矛盾。System 2（Qwen2.5-VL-7B）以约 2Hz 频率进行语义推理，输出图像中的像素目标及其隐式表示；System 1（轻量 DiT）以 30Hz 读取新画面，将旧目标持续转化为 32 个平滑轨迹点供底层控制器（200Hz）跟踪。实验显示，该方法在 R

DeMaVLA提出一种面向可泛化柔性物体操作的视觉-语言-动作（VLA）基础模型，通过预训练学习双臂操作先验，结合动作分支裁剪和实时训练优化，实现多类衣物折叠任务。模型以Qwen3-VL为视觉语言骨干，外挂轻量级Action Expert处理连续动作，并采用人机协同DAgger机制收集失败修正数据。实验表明，该模型在仿真和真实环境中均表现优异，验证了大规模真实数据、分层动作设计与纠错机制对柔性操作

DeMaVLA提出一种面向可泛化柔性物体操作的视觉-语言-动作（VLA）基础模型，通过预训练学习双臂操作先验，结合动作分支裁剪和实时训练优化，实现多类衣物折叠任务。模型以Qwen3-VL为视觉语言骨干，外挂轻量级Action Expert处理连续动作，并采用人机协同DAgger机制收集失败修正数据。实验表明，该模型在仿真和真实环境中均表现优异，验证了大规模真实数据、分层动作设计与纠错机制对柔性操作