董豪團隊提出 HIL-UMI：人類示範時即可採集機器人後訓練資料
董豪團隊聯合啟元機器人、北京大學、西安交通大學提出 HIL-UMI：人手持夾爪示範時，模型同步預測動作並標出與人類操作的分歧，從而在不執行機械臂的情況下采集後訓練所需資料。該方法以 π0.5 為基礎模型，在 Franka 機械臂上測試整理桌面、折毛巾、疊方塊、蓋章四項任務，三輪更新後平均任務進度分數從 62.3 升至 94.8，同等資料量下常規 SFT 僅從 44.3 升至 58.0。整理桌面任務中其採集效率為 HG-DAgger 的 5.63 倍，最終得分 96 比 91。
提出無需機械臂執行即可採集後訓練資料的 HIL-UMI，並給出四項真實任務的量化結果：同資料量下平均任務進度分數比常規 SFT 高 30 分以上，採集效率達 HG-DAgger 的 5.63 倍。
原標題：不用机器人，也能给机器人“补课”： 董豪团队提出 HIL-UMI
閱讀原文
| 評分 | 78 / 82（平均 80，門檻 65） |
|---|---|
| 狀態 | 精選 |
相關報導
15 家機構發布 TouchScale：500 小時視觸覺資料讓機器人成功率翻番
由德州農工大學、Google DeepMind、CMU 等 15 家機構聯合發布的 TouchScale 資料集公開，500 小時人類第一視角視覺-觸覺資料由同一套穿戴裝置採集，雙手各含 880 個觸覺感測器單元。僅用這批資料做 mid-training，xArm6 機械臂加 BrainCo Revo 2 靈巧手在四項接觸密集型任務上的平均成功率從 22.5% 升到 57.5%；
跨維智慧發布 3D 原生機器人世界模型 UNITAS，1.7B 引數登頂多項操作基準
跨維智慧發布 UNITAS，稱其為首個機器人任務原生的 3D 世界模型，把觀測、動作與環境變化統一到同一三維物理空間，用點的位置與軌跡表示，引數僅 1.7B。它在 LIBERO 取得 99.8% 平均成功率、LIBERO-Plus 89.1%，RoboTwin 2.0 雙臂 Clean 與 Randomized 分別 92.94% 和 93.04%，超過 6B 的 Fast-WAM 與 8B 的 Motus，真實機器人任務平均成功率 85%。
ROMA 讓機器人主動互動探索物體，7B 模型比肩 GPT-6 Astra
人大高瓴 GeWu-Lab、智源研究院等提出 ROMA 系統，讓多感測器機器人主動與物體互動來補全物理理解，其 ROMA-7B 模型在 ROMA Bench 的 2100 道題上取得 72.9% 成功率，整體與 GPT-6 Astra 持平，並超過 GPT-5.4 與 Gemini 3.5 Flash。該工作同時開源了覆蓋近 2000 個真實物體、視聽觸力四模態同步採集的互動資料集 ROMI-2K，以及包含單鏈、多鏈和意圖驅動三類任務的評測基準。
白澤通境發布溯因式世界模型 AWM，2bit 量化跑進機器人端側
中科大系公司白澤通境發布溯因式世界模型 AWM，並開源論文與程式碼，配合自研端側推理引擎 BAIZ-RUN 把模型壓進機器人本地執行。AWM 從無標註影片學習，在 Push-T 任務上以 2000 條軌跡達到 75% 成功率，約為 Causal-JEPA 所需資料的七分之一，資料加到 14728 條時成功率約 92%。
宇樹發布 6B 人形機器人模型 UnifoLM-WLA-1.0
宇樹機器人發布通用人形基礎模型 UnifoLM-WLA-1.0，引數 6B，用約 2500 小時真實機器人資料訓練，單個模型可完成 64 項任務（10 項全身 + 54 項桌面），並支援平行夾爪與兩種靈巧手。架構上以基於 Qwen3-VL 的具身推理器 UnifoLM-ER-1 為起點，加入光流與 VQ-VAE 的未來動態區域預測、殘差 VQ 動作離散化，以及 MMDiT 動作專家做連續控制。演示在宇樹 G1 上完成鋪床、裝洗衣機、疊衣服、物體分揀等操作。