微软研究院与

MT3 用 “分解 + 检索” 的简洁思路，破解了机器人模仿学习 “数据需求大、泛化能力弱” 的核心痛点，证明了 “无需复杂模型，仅靠经验复用就能实现千任务学习”。对于家庭服务、仓储物流等需要快速适配多种任务的场景，这种 “单演示学习 + 高效扩展” 的方案极具落地价值，为机器人从实验室走向实际应用提供了全新范式。

清华大学智源研究院提出GaussianArt框架，创新性地利用3D高斯模型实现铰链物体的单阶段建模。该方法通过集成部件分割模块与关节式高斯表示，统一处理运动与外观建模，支持多达20个部件的复杂物体。研究构建了包含90个物体的MPArt-90基准数据集，实验表明GaussianArt在运动参数估计（轴向误差降低42%）和几何重建（倒角距离提升35%）方面均优于现有方法。该工作解决了传统两阶段流程的复

Physical Intelligence团队发布VLA模型pi0.6，通过RECAP方法实现强化学习驱动的自主改进。该方法整合演示数据、在线收集数据和专家干预数据，利用优势条件机制优化策略。实验显示，$\pi^_{0.6}$在衣物折叠、纸箱组装和咖啡制作等任务中表现优异，任务吞吐量提升2倍以上，失败率降低50%。该模型已实现13小时连续制作咖啡、2小时无中断衣物折叠等实际应用。RECAP通过价值

本文提出VLA-Pilot方法，用于提升预训练视觉语言动作(VLA)模型在机器人操作任务中的零样本部署性能。该方法通过推理时策略引导，无需微调即可实现：1）利用多模态大语言模型(MLLM)构建具身策略引导思维链(EPSCoT)模块，推断任务对齐的引导目标；2）设计进化扩散算法优化动作候选，结合扩散模型和进化搜索提升任务对齐度；3）引入迭代引导优化机制进行闭环修正。实验表明，VLA-Pilot在六种

小米推出首个跨领域统一模型MiMo-Embodied，整合自动驾驶与具身智能两大领域，在29项基准测试中取得SOTA性能。该模型基于MiMo-VL架构，通过四阶段训练策略实现能力协同提升，包含通用数据集、具身智能数据集和自动驾驶数据集三大类别。核心组件包括视觉编码器、投影器和大语言模型，支持动态环境中的理解与推理。评测显示，模型在具身智能17项基准和自动驾驶12项基准中均表现优异，消融实验验证了四

小米推出首个跨领域统一模型MiMo-Embodied，整合自动驾驶与具身智能两大领域，在29项基准测试中取得SOTA性能。该模型基于MiMo-VL架构，通过四阶段训练策略实现能力协同提升，包含通用数据集、具身智能数据集和自动驾驶数据集三大类别。核心组件包括视觉编码器、投影器和大语言模型，支持动态环境中的理解与推理。评测显示，模型在具身智能17项基准和自动驾驶12项基准中均表现优异，消融实验验证了四

小米推出首个跨领域统一模型MiMo-Embodied，整合自动驾驶与具身智能两大领域，在29项基准测试中取得SOTA性能。该模型基于MiMo-VL架构，通过四阶段训练策略实现能力协同提升，包含通用数据集、具身智能数据集和自动驾驶数据集三大类别。核心组件包括视觉编码器、投影器和大语言模型，支持动态环境中的理解与推理。评测显示，模型在具身智能17项基准和自动驾驶12项基准中均表现优异，消融实验验证了四

机器人操作中“思考先于行动”是解决端到端策略数据依赖的关键，但现有视觉-语言-动作（VLA）模型面临核心矛盾：单一解码器需同时处理序列化推理与高维并行动作，导致控制精度下降与因果关联缺失。华中科技大学与清华大学团队提出DeepThinkVLA，通过混合注意力解码器（自回归推理+并行动作生成）与两阶段训练（监督微调+强化学习），实现推理与动作的高效协同。在LIBERO基准测试中，模型以97.0%成功

机器人操作中“思考先于行动”是解决端到端策略数据依赖的关键，但现有视觉-语言-动作（VLA）模型面临核心矛盾：单一解码器需同时处理序列化推理与高维并行动作，导致控制精度下降与因果关联缺失。华中科技大学与清华大学团队提出DeepThinkVLA，通过混合注意力解码器（自回归推理+并行动作生成）与两阶段训练（监督微调+强化学习），实现推理与动作的高效协同。在LIBERO基准测试中，模型以97.0%成功