智元發布 GO-3 Preview，打通機器人全鏈路規模化學習
智元發布具身模型 GO-3 Preview，稱在預訓練、後訓練和部署後實現全鏈路規模化學習，並在 RoboDojo、RoboTwin、RoboColiseum 三項評測中排名第一。其預訓練約九成使用人類第一視角資料，採用 WRAM 架構；後訓練系統 Genie Evolver 結合百臺級真機、模擬與世界模型，手機包裝任務成功率由 50.8% 提升至 98.3%。
全鏈路規模化學習首次把預訓練、虛實後訓練與便利店部署後學習串起來，並給出真機規模將成功率提升至 98.3% 的資料，對具身智慧與機器人部署團隊最有參考價值。
原標題：刚刚，机器人学习进入「全链路Scaling」时代
閱讀原文
| 評分 | 62 / 64（平均 63，門檻 65） |
|---|---|
| 狀態 | 未入選 |
相關報導
智元發布世界-動作模型 GE-Act 2.0，陌生場景成功率提升約 2.6 倍
智元發布世界-動作模型 GE-Act 2.0，把「預測未來」與「生成動作」整合進同一模型，訓練資料從 300 小時擴充套件到 3 萬小時。在陌生場景、陌生物體上不做額外訓練直接測試，其中一款機器人總體成功率從 17.1% 提升至 44.1%，陌生場景成功率提升約 2.6 倍；在 RTX 5090 上生成一個連續動作塊約需 104 毫秒。
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。
智元發布 Genie Master，在真實便利店中跑通 Physical RSI
智元發布具身 Agent 框架 Genie Master，其精靈 G2 機器人在真實便利店執行取貨、補貨、清潔與多機協作時，無需人工除錯即可自行診斷失敗、調整策略並積累經驗，官方稱這是行業首次在真實業務場景、而非模擬環境中跑通 Physical RSI。該框架用 EEP 具身執行協議連線上層 Agent 與底層動作策略：Harness RSI 通過提示詞、記憶與規則積累經驗，Policy RSI 用執行與人工接管資料更新動作模型。
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%。
LoopWAM 登頂 RoboChallenge 真機榜，已開源
清華、原力靈機與極寰時代聯合研發的世界動作模型 LoopWAM 登頂真機評測榜 RoboChallenge Table30 V2，成功率與過程分均列第一。它把成功、次優與失敗軌跡一併納入訓練，靠品質加權監督從部署經驗中自提升，三輪閉環把 30 項任務的成功率從 23.67% 提到 43.33%，過程分從 36.10 升到 56.80，且無需額外專家演示或強化學習。所有評測模型均由阿里雲 PPU-810E 國產卡訓練；