上海人工智能实验室与AGIBOT Finch团队提出的τ0-World Model（τ0-WM）创新性地整合了视频预测、动作生成与评估功能，通过共享视频扩散骨干网络实现了多源异构数据的联合训练。该模型在27,300小时的机器人遥操作、UMI式演示和人体交互视频数据上进行训练，采用统一监督掩码机制处理不同数据源的差异。τ0-WM包含视频动作模型（VAM）和动作条件化视频模拟器（ACVS）双分支，分别

盘古5.0的STCG技术，正在从三个维度重塑自动驾驶开发范式：表格维度传统模式盘古STCG模式数据成本百万公里路测，人力物力高昂云端大规模并行生成，边际成本趋近于零场景覆盖依赖自然采集，长尾场景稀疏按需生成极端场景，实现"场景自由"标注精度人工标注存在误差与成本瓶颈生成过程自带完美标注（3D框、轨迹、语义分割）更重要的是，由于STCG生成的视频在几何一致性、物理合理性与视觉逼真度上均达到工业标准，

盘古世界模型深度解读：当STCG遇见4D空间，华为如何用"物理引擎+数据驱动"重构自动驾驶仿真范式

WRC2026是具身智能产业发展的一个重要里程碑。具身智能的"试用期"正在结束，行业正从技术验证期进入产品化落地期。工业搬运、零售拣选、餐饮服务等场景已具备小批量商用条件；具身大模型、灵巧手、数据采集等底层技术快速迭代；轮式人形成为落地首选形态。但同时也要清醒地看到，当前的"能干活"更多是在半结构化、预定义场景中的有限能力。真正的通用具身智能——能够在任意非结构化环境中自主理解任务、规划多步骤操作

GigaBrain-0.7 通过三系统架构与大规模异构数据预训练，为具身基础模型的发展提供了一条可扩展的技术路径。其在理解、预测与执行层面的深度协同，不仅提升了模型在单一任务上的执行精度，更重要的是赋予了模型跨本体、跨任务与跨场景的通用性与适应性。从 37000 小时异构数据中的预训练，到世界模型驱动的后训练，再到基于 rollout 经验的持续强化，GigaBrain-0.7 展示了一个具身智能

GEN-1.5的发布标志着具身基础模型领域的一个重要转折点。它证明了在足够规模的物理交互数据预训练下，机器人可以像大语言模型理解文本一样，通过上下文学习理解物理任务。从单个演示中学习新技能的能力，从仿真到现实的零样本迁移，以及面对新工具时的即兴创造，这些能力的组合勾勒出了一个令人期待的愿景：未来的机器人将不再是需要数月编程的专用设备，而是能够像人类一样通过观察和学习快速掌握新技能的通用智能体。这一

本文综述了具身世界动作模型（WAM）的最新进展，系统梳理了六大技术支柱：基础世界模型、视觉-语言-动作（VLA）模型、具身WAM、自动驾驶世界模型、效率与评测、数据集与生态。研究显示，世界模型正从被动视频预测器演进为可交互的物理仿真器，而VLA模型则建立了连接语义意图与运动控制的桥梁。二者的融合催生了WAM这一新型架构，使智能体能够通过"想象"未来状态来规划动作。文章重点分析了

金鑫博士华为云视频生成大模型、世界模型 团队主管中国科学院计算技术研究所 博士 | 华为云盘古多模态大模型首席架构师 · 华为技术专家A目前专注于大模型、人工智能与云计算领域，负责华为盘古视频生成基础模型、自动驾驶世界模型、具身世界模型、3D大模型、AR/VR、视频分析、OCR、机器学习平台、机器翻译等多个系统和服务。担任华为集团级大模型项目"4野15纵"视频生成技术负责人、华为集团级天水计划-A

盘古5.0的STCG技术，正在从三个维度重塑自动驾驶开发范式：表格维度传统模式盘古STCG模式数据成本百万公里路测，人力物力高昂云端大规模并行生成，边际成本趋近于零场景覆盖依赖自然采集，长尾场景稀疏按需生成极端场景，实现"场景自由"标注精度人工标注存在误差与成本瓶颈生成过程自带完美标注（3D框、轨迹、语义分割）更重要的是，由于STCG生成的视频在几何一致性、物理合理性与视觉逼真度上均达到工业标准，

EgoLive数据集：真实场景人机交互数据新标杆 京东未来研究院提出的EgoLive数据集突破了机器人学习领域的数据瓶颈，成为当前最大规模的开源第一视角交互数据集。该数据集包含1,680小时立体视频（60FPS/2160P）、65,866个操作片段和346种真实任务，覆盖家庭服务、零售等多样化场景。 关键技术突破： 1️⃣ 专用采集设备：轻量化头戴设备JoyEgoCam支持130°超宽视场角，实现