但具体能跑多大模型，尚未公开。MindVLA-o1在3月GTC发布后，OTA 8.5在5月上线，但核心更新是手机遥控泊车等功能增强，而非MindVLA-o1的架构级上车。GeoX的做法是把几何感知做成一个独立的、通用的底座，可供轨迹预测、占据预测、未来帧预测等多类下游任务调用。理想的端到端+VLM双系统架构中，VLM部分（约22亿参数）和端到端快系统是分开的，两者并不对应同一个统计维度。这是理想6

它巧妙地利用了现有多模态大模型（如 GPT-4o、Claude 3.5 Sonnet）强大的理解能力，将人类模糊的自然语言指令，翻译成底层机器人可以执行的模块化技能（Skills）。如果说网友们的"赛博养虾"还停留在极客的玩具阶段，那么学术界和产业界的严肃探索，则向我们展示了这种 Agentic（智能体化）架构的终极形态。OpenClaw 的出现，并不是让机器人突然"长出"了运动能力，而是充当了一

针对结构规整、无通用构造范式的组合数学问题（特殊图分解、离散构造、凯莱图相关问题），大模型具备自主提炼数学框架、发现人类易忽略规律的能力，可替代部分人类数学家的创造性推导工作，将数学猜想、逻辑推理、代码实验、试错修正形成闭环，先建模再编程验证，再从结果提炼规律，这种模式适配大量离散数学、算法设计类难题，突破了传统。，用于难题的思路探索、框架构建、特例验证，尤其适合卡壳已久、无明确方向的开放问题，借

但是不要小看这两百行，由于高度浓缩，蕴含的信息量非常大，相当于把反向传播、计算图、自动微分，注意力机制（著名论文《All you need is attention》）,optimizer（这里是Adam，不是SGD），（交叉熵）损失函数，残差连接，层归一化，Tokenizer ，词嵌入，KV cache等等重要概念一网打尽（参考。state_dict 是模型的“参数档案”，专门存储模型训练过程中

这一"先选类别再生成描述"的两步策略，是为了规避直接提示大语言模型生成场景时出现的类别偏斜问题——研究人员发现，直接提示时模型会过度生成某些类别（如医疗相关场景）。有了文本描述后，系统通过GPT Images 2.0生成对应的参考图像，再将文本和图像一并输入Marble 1.1 Plus，生成高保真的3DGS场景。在当前的论文版本中，研究团队主要聚焦于数据集的构建流水线和统计分析，将其定位为训练下

团队在GPT‑5、Gemini 3.1等SOTA MLLM，以及3D增强模型（VGGT+Gemini、GT 3D+Gemini）上做了零样本评测，配合人类基线，得到五个结论。不再给模型预设视角，智能体必须自主选择感知（转头/俯仰）、移动（前后左右）、操作（拾取/放置/倒水），并按序执行，才能收集到解题证据。任务全部聚焦被动观测无法解决的问题：遮挡计数、镜面虚实、容积比较、稳定性预测、封闭空间变化、

这种表示方法隐式地包含了物体的分割、材质和接触关系，且不依赖于特定的机器人形态，从而能够利用海量不同来源的机器人交互数据进行预训练。这种方法在不增加总帧数的情况下，增加了输入样本在时间维度上的复杂性，从而减少了模型训练所需的迭代次数。然而，长期作为基准的ImageNet-1K已难以满足现代模型对数据规模和多样性的需求，且存在模型在基准上过拟合的问题。尽管在实现完全开放环境下的通用智能体仍面临长时程

这种表示方法隐式地包含了物体的分割、材质和接触关系，且不依赖于特定的机器人形态，从而能够利用海量不同来源的机器人交互数据进行预训练。这种方法在不增加总帧数的情况下，增加了输入样本在时间维度上的复杂性，从而减少了模型训练所需的迭代次数。然而，长期作为基准的ImageNet-1K已难以满足现代模型对数据规模和多样性的需求，且存在模型在基准上过拟合的问题。尽管在实现完全开放环境下的通用智能体仍面临长时程

除已上市的6家企业外，还另有递表4家、A股排队1家、辅导/筹备5家。已驶入“安全区”的上岸者、终点线前冲刺的排队者、刚站上起跑线的递表新贵，以及正从水下浮出的庞大预备队。据多方渠道统计，目前正在港股排队上市（含已上市）的机器人相关企业已有50余家，加上A股排队的8家，缺少实打实的营收、成熟的落地场景与清晰的盈利路径，依靠行业风口堆砌的估值泡沫，终有消解之时。更值得注意的是，智元、银河通用、星海图、

依托双分支耦合流匹配架构，它解决了世界模型与VLA融合过程中的延迟、脱节难题，搭配专属城市峡谷评测基准，为低空复杂环境导航提供了可行方案。楼宇林立形成“城市峡谷”，遮挡频发、视角急剧切换成为常态，传统VLA模型仅依靠历史画面直接输出动作，如同“走一步看一步”，缺乏对未来场景的预判能力，在陌生环境与长距离导航任务中极易失效。与此同时，自动驾驶、视频生成领域的世界模型已证明其场景预测价值，但过往世界模