具身与机器人

uni-robot-agent 是一个统一、模块化的框架，使开放权重模型能在仿真和真实世界中执行有竞争力的机器人使用，并且论文将有效的机器人使用与四项通用能力联系起来。

REA 是一个路由式具身智能体运行时，协调慢速 System 2 大脑、路由器和快速 System 0 策略，使任何正在运行的策略都不必等待大脑。

HiFOR 将多时间尺度未来预测（短期状态、语义里程碑、目标）与来自结构化潜在世界的动作引导检索相结合，在去噪过程中为 flow-matching VLA 策略提供条件。

OSWAM 从视频 DiT 中学习紧凑的想象 token，作为结构化起始点，用于一步动作 DiT 去噪，在 1 个动作去噪步骤下取得有竞争力的规划与操作结果，且延迟显著低于多步 world action models。

CaPtain 是一个开放式后训练流水线：先在合成的 harness 内轨迹上做 SFT，再用带特权模拟器 critic 的多轮 RL，将 4B 开放 VLM 转化为在 22 个底层感知与运动原语上运行的 code-as-policy 机器人智能体，在留出 LIBERO 上达到 73.8%。

WorldBridge 是一个 World Action Model，通过结构化注意力和联合 flow matching 耦合独立的视频专家与动作专家；其监督研究表明，OOD 视频将 RoboTwin 2.0 的 OOD 成功率从 25.07% 提升到 55.90%，而稀疏动作标签进一步将其提升到 70.70%。

S2 是一种无需训练的离线指标，用于衡量感知特征与末端执行器轨迹之间的最近邻重叠，并与跨模型系列的机器人任务成功率相关。

CausGround 将交互轨迹蒸馏为基于因子化世界状态的可复用、以动作为中心的因果知识，然后将任务相关的前置条件和效果落地，以指导冻结的 MLLM 规划器而无需参数更新。

HuGe 通过三阶段流程，在超过 2,000 小时的第一人称人类与机器人数据上训练人形通用 VLA，使用 SONIC 运动 token 动作和数据适配，在 HumanoidArena 上取得 SOTA 结果，并提升真实世界 G1 抓取-放置成功率。