摘要： Qwen Team提出统一视觉-语言-动作基础模型Qwen-VLA，突破传统具身智能研究中任务、环境与机器人本体割裂的局限。该模型采用"认知主干+运动专家"双模块架构，通过四阶段渐进训练策略（文本到动作预训练、持续预训练、监督微调、强化学习），在涵盖操作、导航、轨迹预测等异质任务的大规模数据集上实现统一建模。核心创新包括：1）将不同具身任务统一为条件预测框架；2）本体感知提示条件机制实现跨

文章摘要： 浙江大学等机构联合推出WorldOlympiad评测基准，系统评估视频生成模型作为"世界模型"的核心能力。该基准从物理真实性、几何一致性和交互保真度三个维度出发，在游戏、机器人操作与真实世界三大场景中测试了8种主流长视频生成模型。研究发现：1）大模型（如LingBot-World）在物理与交互维度表现优异，但几何一致性仍是行业短板；2）专用优化（如Cosmos-Predict-2.5）

本文介绍了DexJoCo基准测试与工具集，这是一个面向任务导向灵巧操作的标准化评估框架，旨在推动机器人灵巧手操作能力的研究。DexJoCo包含工具使用、双手协调、长时程执行与推理四类功能导向任务，强调精细手指协调与复杂物体交互。研究团队开发了低成本遥操作数据采集系统，采集了1100条人类演示轨迹，并支持多模型评估。实验结果表明，当前策略在视觉随机化条件下表现仍有提升空间，且不同架构策略在不同任务上

字节跳动提出轻量级多模态统一模型Lance，仅3B激活参数即实现图像/视频理解、生成与编辑全任务覆盖。该模型采用双专家混合架构和模态感知位置编码技术，通过四阶段渐进训练在128张GPU上完成优化。实验显示，Lance在图像生成（GenEval）、视频生成（VBench）等基准测试中性能领先开源模型，部分指标媲美商用大模型。其创新设计有效解决了多模态任务中理解与生成的表征冲突问题，为轻量级统一多模态

机器人技术正经历从单一任务编程向通用物理智能的范式转变，但面临数据规模与质量的关键瓶颈。最新研究指出，单纯扩大模型规模与收集机器人演示数据无法突破核心限制，提出构建下一代系统的四大支柱： 物理数据引擎：通过具身自动标注技术，从异构物理经验中提取结构化学习信号，将人类行为转化为机器人可理解的物理标签体系 任务保持重定向：建立跨具身形态的技能迁移机制，弥合人类演示与机器人执行之间的"具身鸿沟" 物理基

WorldArena 2.0评测基准突破具身智能世界模型的三重边界 清华联合多所顶尖高校提出的WorldArena 2.0评测框架，针对当前世界模型评估的三大局限展开系统性创新： 模态扩展：构建视触觉融合评测体系，通过触觉VAE模块和双流预测架构，将纯视觉评估扩展到接触丰富的操作任务（如HDMI插入、瓶子抓取） 功能升级：从静态离线评估转向交互式强化学习环境，验证世界模型支持策略持续优化的能力 平

WorldArena 2.0评测基准突破具身智能世界模型的三重边界 清华联合多所顶尖高校提出的WorldArena 2.0评测框架，针对当前世界模型评估的三大局限展开系统性创新： 模态扩展：构建视触觉融合评测体系，通过触觉VAE模块和双流预测架构，将纯视觉评估扩展到接触丰富的操作任务（如HDMI插入、瓶子抓取） 功能升级：从静态离线评估转向交互式强化学习环境，验证世界模型支持策略持续优化的能力 平

WorldArena 2.0评测基准突破具身智能世界模型的三重边界 清华联合多所顶尖高校提出的WorldArena 2.0评测框架，针对当前世界模型评估的三大局限展开系统性创新： 模态扩展：构建视触觉融合评测体系，通过触觉VAE模块和双流预测架构，将纯视觉评估扩展到接触丰富的操作任务（如HDMI插入、瓶子抓取） 功能升级：从静态离线评估转向交互式强化学习环境，验证世界模型支持策略持续优化的能力 平

摘要： 本文提出一种创新的3D生成建模方法——O-Voxel（Omni-Voxel），通过稀疏体素结构联合编码几何与材质信息，支持任意拓扑的鲁棒建模。核心贡献包括：1）灵活对偶网格设计，实现高效网格-体素双向转换；2）体积表面属性建模，兼容PBR材质；3）稀疏压缩VAE（SC-VAE）实现16倍空间压缩率，结合大规模流匹配模型，在秒级推理下生成高保真3D资产。实验表明，该方法在形状重建（MD、CD

摘要： 论文《JoyAI-Echo: Pushing the Frontier of Long Audio-Visual Generation》提出了一套系统工程框架，解决长时长、可交互、高清音视频生成的挑战。其核心创新包括： 跨模态音视频记忆库：通过结构化槽位绑定角色外观与声纹，支持多镜头叙事一致性； 记忆式后训练管线：结合SFT、RLHF和蒸馏技术，优化生成质量、音画同步与推理效率； Dire