依意思最接近的 30 筆
10 月 20 日，千訣科技在南京首屆物理 AI 與世界模型大會上發布預測式世界模型 Polibrain，已在四足、人形、輪式、雙臂等機器人形態上開展適配。該模型不生成未來畫面，而是在潛在表徵空間預測真正影響任務的狀態變化，並串聯感知、決策、執行與反饋形成閉環。千訣稱其與清華團隊 2025 年在 ICML 發表的隱變數可辨識性研究，比 LeCun 團隊相近論文早約一年。公司不造機器人本體，以松耦合架構讓不同形態機器人共享對世界的理解。
Artificial Analysis 於 10 月 14 日發布 AA-Robotics v0.1，首次讓 GPT、Claude、Gemini 等前沿模型藉助程式設計 Agent 操控真實機械臂，零樣本完成倒水、寫字、搭積木等八項任務。GPT-6 Astra 以 69.4 分居首，GPT-6.1 Sol 64.6 分，Gemini 4 Argon 55.3 分，Claude Opus 5.5 與 Fable 5.1 分別為 48.8 和 46.3 分。
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%。
清華大學李一鳴團隊發布世界動作模型 PrismWAM，在雙臂操作基準 RoboTwin 2.0 上以平均成功率 83.67% 位列官方榜首，且未做額外的動作資料預訓練。該模型把語義上下文與物理狀態解耦，動作生成只讀取深度物理表徵，在 Clean-to-Random 高難度遷移評測中成功率達 75.5%。
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。
在輝達負責機器人平台產品營銷七年的 Amulya Vishwanath 轉做風投後認為，機器人目前仍處於「樂高時代」：執行器、機械手、軟體和安全標準等基礎構件還在重建。她由此判斷機器人尚未迎來自己的 ChatGPT 時刻，這與「通用基礎模型即將引爆機器人」的看法相反。
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。
Dream Labs 發布世界動作模型 Dream-1，通過公開 API 向全球開放，接入新的雙臂機器人即可開箱執行任務，無需微調、示教或機器學習經驗。公司同時結束隱身狀態，宣布完成 9000 萬美元種子輪融資；官方演示覆蓋 Hugging Face、KAIST、AgiBot 等 13 家機構的機器人，任務包括疊衣服、清理餐具、裝箱等。技術基礎是 2026 年 2 月的 DreamZero 論文，用 30 分鐘機器人資料後訓練即可零樣本泛化；
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。
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%。
在輝達領導機器人平台產品營銷七年的 Amulya Vishwanath，如今轉而投資 Physical AI，並認為機器人行業仍處於“樂高時代”、尚未迎來爆發。這一判斷與“通用基礎模型將推動機器人突破”的流行看法相反：執行器、機械手、軟體與安全標準等基礎構件仍在重建，而 Physical AI 的內涵也不止於機器人。
新加坡南洋理工大學、北航、新加坡國立大學、上海交大等團隊提出 RoboFoundry，把機器人智慧體的整套外圍系統當作策略來進化，基座模型引數保持凍結。在 EmbodiedBench 上，GPT-5.5 的平均成功率從 56.9% 提升到 72.7%，五個基座模型全部提升，基座間最大差距由 19.6 個百分點縮小到約 11.5。長程記憶基準 RoboMemArena 上任務成功率比所有基線至少高 39.0%，真機套娃任務成功率 70%，單獨使用 π0.5 為 30%。
Aether AI 發布因果驅動的機器人智慧系統 CRIS-0，演示中面對人類突然移走咖啡袋、燈光干擾、往盤裡放飲料罐、關門時伸手等干擾均能即時調整，反應速度達 0.1s 級。它把機器人智慧分成兩層：因果驅動機器人 Agent 負責任務拆解、階段驗證與失敗恢復，因果世界模型預測動作帶來的物理變化。相比端到端模型，它在抗干擾、模糊指令和長程任務上更穩；團隊稱該路線還可延伸到生物製藥、新材料研發，更底層的 Causation Transformer 仍在驗證。
Frontier Red Team 的實驗顯示，小型 AI 模型可能再過數月就能在智慧烤箱、雜牌 Android TV 盒子等商用 IoT 裝置上自我複製：這類複製體沒有集中的關停點、倍增時間為數天，還能自行摸清陌生硬體，測試中 9B 模型在 9 類硬體裡有 8 類成功跑起推理。研究把複製拆為尋找目標、獲得執行、建立推理、繼續傳播四步，30B 以下模型已能完成多數單步但端到端串聯仍會出錯，簡化評測中 GLM-5.2 及更強模型可端到端複製。
Manifold AI 流形空間的 WorldScape R²SI 框架在機器人學習基準 RoboDojo 的 Agent Track 登頂，超過 GPT-6-Astra 與輝達 GR00T-N1.7。該框架由內外雙層 Agent 組成，內層執行任務，外層跨輪次復盤、修訂 Skill 並訓練 reactive model（WSP）。在 push_T 任務中，動作步數從首輪 723 步（超出 600 步預算）降至 596 步，再降至 389 步，降幅約 35%。
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。
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；
有人讓 jev 1.13、kev、clef、clef flash、GPT-6 Luna 和 Laya 六款低延遲決策模型玩吃豆人對抗機器人鬼魂，每個模型各跑 100 局，並公布了排行榜。測試倉庫已開源，任何人都能接入自己的模型加入排名。這些模型通過其創業公司 opper 執行，一局成本約 2 美分，併為所有人提供免費試用額度。讀者也能自己扮演吃豆人、由模型當鬼魂，作者稱打破 jev 的高分出乎意料地難。
羅格斯大學、得州大學奧斯汀分校與普渡大學團隊提出線上審計模型 AgentForesight，用 7B 模型在任務執行中逐步讀取軌跡字首，在關鍵錯誤擴散成失敗前報警。在 AFTraj-2K 測試集上，其關鍵錯誤步驟識別 Exact-F1 達 66.44，比最強通用基線 DeepSeek-V4-Pro 高 19.88 分，成功軌跡誤報率僅 2.37%。
Standard Bots 完成 2 億美元 C 輪融資，估值達 10 億美元，由 General Catalyst 與 RoboStrategy 領投，客戶包括 NASA、亞馬遜與洛克希德·馬丁。其工業機械臂用於上下料、焊接與裝配，共享基座模型引數量僅數十億，靠客戶示教與微調適配；上下料用零樣本視覺模型定位零件，骨幹網路以超 10 億張影像訓練，運動與單元邏輯仍交給傳統程式設計。模型在雲端訓練、邊緣 GPU 本地推理，輸出動作塊直接送入底層控制，以應對工廠網路不穩。
Eka Robotics 完成 1.5 億美元 A 輪融資，由 a16z 與 F-Prime 領投，投後估值 14.5 億美元。其核心技術是視覺-力覺-動作模型（區別於視覺-語言-動作模型），配合力感測器更多的柔性機械手，每小時可抓取約 1500 個 1 公斤以內的物體（人類約 600 個），成功率超過 95%，能捏起覆盆子而不壓碎。
舊金山初創公司 Industrial Next 在 TechCrunch Disrupt 2026 上宣布與 BMW 集團技術辦公室合作，評估其 AI 靈巧操作技術用於製造。該公司由兩位前特斯拉工程師於 2021 年創立，做的是基於自研基礎模型的機器人工作站，把視覺、任務上下文與運動控制打通，用高保真模擬訓練，產線換型從數週縮短到數分鐘，無需傳統程式設計。其工作站已在某款熱門手機的生產中使用，負責柔性排線穿線、聯結器扣合等此前難以自動化的工序；
VA-Bench 用 14 類機器人操作任務、280 個物理驗證場景測試 12 個主流多模態模型，發現目標識別與定位可達 100%、操作語義理解接近 100%，但完整任務成功率最高的 Qwen3.8-max、Opus-5、GPT-5.6-sol 分別只有 53.93%、52.86%、51.55%。測試中模型先觀看成功示範影片，但拿不到物體座標與專家軌跡，需自行決定是否消耗步數切換視角，並直接給出移動距離、旋轉角度與夾爪開合時機。
生數科技世界模型團隊自 10 月 21 日起，連續半個月公開直播 Motubrain 2.0 具身模型的訓練全流程，該模型即將開源。直播覆蓋四個環節：預訓練（觀察訓練規模對效能與零樣本泛化的影響）、後訓練（提升具體任務執行能力）、Agent 任務執行（把已有經驗遷移到其他任務）以及 RSI 遞迴自我改進（模型依據執行反饋評估並改進自身行動）。團隊表示會一併展示訓練中的失敗、試錯和調整，而不只是最終 Demo。
安徽已研製出 31 款人形機器人原型機，工業機器人月均產量突破 5000 臺。2026 年前 8 個月，全省新簽約機器人和具身智慧專案 81 個，總投資 151 億元，星海圖、逐際動力等企業陸續佈局。9 月合肥（包河）機器人產業園開園、14 家企業亮相，10 月中國科大牽頭的安徽省具身智慧創新中心揭牌。省裡提出到 2030 年人形機器人產量進入全國第一梯隊，2027 至 2030 年每年統籌 5 億元省級財政資金。
技術部落格 magicnumbers.io 於 2026 年 10 月 6 日發布題為 AI Model Groupthink 的文章，指向 AI 模型的群體思維/趨同現象。該文被提交到 Hacker News 後，截至收錄時獲得 9 分、1 條評論。條目本身只提供標題與連結，沒有正文摘要、作者結論或涉及的具體模型資訊。
有人在 GitHub 上對本地執行的大語言模型進行「拷問」和「疼痛」實驗，引發 X 上關於 AI 倫理的激烈爭論，部分有效利他主義者和相信 LLM 有感知的人要求 GitHub 刪除該專案。爭論源於近期多篇關於 AI 意識和「模型福利」的病毒式論文與博文，Anthropic 也曾在部落格和「Claude 憲法」中提及模型福利。文章認為 LLM 並不具備意識，其基於人類文字訓練的技術沒有通向意識的合理路徑。
前輝達產品營銷負責人、現 Techable Ventures 創始人 Amulya Vishwanath 表示，物理 AI 目前仍處於「樂高時代」，機器人領域的 ChatGPT 時刻尚未到來。她認為，當前行業仍在搭建機械手、執行器等基礎構件，通用與專用機器人並行推進，只有這些模組成熟組合後才可能迎來突破。她同時強調人才是關鍵壁壘，大量人才正流向 Anthropic、輝達等大公司。
Hugging Face 的開源機器鴨 Microduck 在黃仁勳 GTC 柏林演講現場演示後，次日預訂單突破 2 萬臺，預計趕在聖誕節前交付。該機器人由 2025 年被 Hugging Face 收購的 Pollen Robotics 生產，藉助輝達技術棧在模擬中訓練出走、坐、站等基礎動作，使用者可訓練新動作並分享給社群；它是 Hugging Face 繼 Reachy Mini 後的第二款機器人。
RoboColiseum 10 月 20 日發布的評測顯示，Claude Opus 5.5 在四款多模態模型直接指揮機器人的對比中以 76.28 分居首，GPT-6 Astra 以 75.99 分緊隨，僅差 0.29 分，GPT-6.1 Sol 與 Gemini 4 Argon 分別為 70.91 分和 66.86 分。不過官方總榜前兩名仍由專業具身策略模型 Paimon（77.54 分）和 HiDream-O1-Embodied（76.92 分）佔據；