找到 16 筆
阿里巴巴旗下高德發布首個基於開放世界行為的全身基座模型λ0，僅用人類行動資料即可讓機器人學習移動、姿態與雙手操作的全身協調。在 SIMPLE 模擬基準及多項真機評測中，λ0 均取得 SOTA，真機任務成功率較最強基線提升 22.5%；採用無本體採集後，單條示範採集時間從約 100 秒降至 29 秒，效率約為主流方法的 3.4 倍。模型依託 500 小時無本體全身資料 HumanVerse-500，已在 GitHub 開源硬體配置程式碼、HuggingFace 上線資料樣例。
小米的通用機器人操作基座模型關鍵技術獲 2026 世界網際網路大會“領先科技獎”，小米集團同時拿下“傑出貢獻獎”。峰會期間小米披露，人形機器人在汽車工廠中控臺側蓋板排序工站首次完成 8 小時整班作業，可自主糾偏並與產線系統級協同。家庭場景方面，基於 10 萬小時真實運算元據預訓練的 Xiaomi-Robotics-1 已在小米青年公寓試運營，完成連續超 30 分鐘、覆蓋 3 個房間、50+任務的長程驗證。該模型在 RoboCasa365、RoboDojo 等榜單位列全球第一。
記憶張量發布並開源 MemT 1.0，稱其為業內首個記憶原生基座模型，歷史資訊被編碼為可更新的內部記憶狀態，隨每輪對話逐 token 更新並可跨會話儲存恢復。兩個版本為 MemT-1.0-Flash（288B 引數、17B 啟用、336M 動態記憶）與 Nano（36B 引數、3B 啟用、10M 動態記憶）。
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%。
IBM 發布 Granite Switch 4.1.1 補丁版本，與 4.1 完全向後相容、無需遷移。此次僅替換介面卡、基座模型未動：Granite Speech ASR 更新後支援 10 種語言的語音轉文字，並自帶標點與大小寫，轉寫結果可直接交給下游模型；granitelib-core 的 Decision 介面卡在 Jev Decision Index 測試集上整體表現提升。
Dharma-AI 團隊用名為 VocabX 的方法在不更換基座模型的前提下，把生產環境中的實測推理成本降低 77%。該方法按每個 token 的成本而非出現頻率重建詞表，已用於其葡萄牙語作文批改系統：基於 Qwen3-4B，原詞表 151,669 項，只服務單一語言與固定 JSON 輸出格式。
通衍靈智提出以 RSI（遞迴自我改進）為核心的個性化路線：在共享基座模型上用輕量 Personal LoRA 承載個人、專案與企業的專屬能力，而非重訓基座。RSI 以 Accept/Reject、Code Review 等真實反饋訓練 Evaluator，篩選正負樣本後增量更新 LoRA，驗證失敗則回滾。
智元在創新日發布具身基座模型 GO-3 Preview 與全模態互動大模型 WITA-OMNI，前者在 RoboDojo、RoboTwin、RoboColiseum 三項評測居首，後者在 Daily-Omni、TimeLens-Bench 等四項評測登頂。WITA-OMNI 無需喚醒詞，平均 600 毫秒、最快約 400 毫秒回應，支援本地無網互動，計劃 2026 年 12 月前完成國內部署、2027 年 1 月推出歐洲版本。
基於 GLM-5.3-Flash 打造的法律智慧體模型 GLM-Legal 公布評測結果：在覆蓋 24 個執業領域的 Harvey LAB 真實律所工作流嚴格全通過評分下取得 19.2%，比基座模型提升 12.5 個百分點，並在 LegalBench 與中文 PLawBench 上以更小的引數規模追平頂級閉源前沿模型。訓練上採用中期訓練加高效後訓練，讓 Harness 與模型協同迭代，並把生產端反饋轉化為訓練訊號。
Meta 對比了後訓練階段見過的任務與其他任務上的測試時算力擴充套件：Muse Wonder Full 與 Muse Spark 1.3 在分佈外任務上的提升幅度相近，但在相同的分佈內得分下，Muse Wonder Full 在陌生任務上的表現好於 Muse Spark 1.3 趨勢所預測的水平。Meta 把這一上移歸因於更強的基座模型，認為它能更有效地把後訓練收益遷移到未被預期的任務上。
科大訊飛發布端雲一體星火 X2.6，上下文視窗擴至百萬 Tokens，並同步開源星火 X2.6-4B 端側模型；其端雲路由協同訓練機制把路由準確率從 81.2% 提升到 96.1%。同場首發的還有星辰 TaaS 平台、企業級智慧體協同平台 Agent OS，以及基於全國產算力訓練的語音基座模型 SparkAudio 1.0，實測效果提升 20%、回應時延降低 15%、呼叫成本下降 60%。
Artificial Analysis 的 Video Arena 文生影片排行榜上，影視公司 Utopai 的定製模型 Utopai X 以 1150 的 Elo 評分位列全球第二、全美第一，這是該榜採用雙盲投票以來首次有影視公司定製模型進入前列。Utopai X 基於 MiniMax H3 架構做深度定製後訓練，在評測的 10 項細分能力中 7 項超越基座模型，音訊同步與物理規律排名第一，光照與材質、鏡頭控制排名第二。
星塵智慧完成 10 億元規模新一輪融資，由深投控旗下投控東海領投，公司估值達 150 億元。這是其近半年內第 4 輪融資，估值在 3 個月內從 100 億元升至 150 億元，資金將用於模型迭代、人才擴充、商業化落地與產能建設。公司稱已是全球首個實現繩驅 AI 機器人量產的企業，7 月發布的 Lumo-2 基座模型面向家庭場景，T1 已開始發貨並把高精細操作機器人帶入 9 萬元價格區間。
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。
星塵智慧 10 月 25 日在深圳結束 AOS 機器人駭客松總決賽，17 支隊伍用 36 小時做出 16 個 App 並跑通真機，上真機率 94%。三站共 47 支隊伍參與，創作者藉助 AOS 封裝的 Meta 技能包與 GPT-6、DeepSeek 等模型，不寫底層控制程式碼就能開發機器人應用。冠軍「遠端分身」打通手機與 T1 機器人的雙向即時控制，可遠端鏟貓砂、澆花、取快遞。星塵同時推進 Lumo-2 具身基座模型與起售價 8.99 萬元的 T1 本體。
成立半年的源策未來首次系統性公開全身智慧技術路線的實機成果：機器人能搬踏臺登高取物、低位拾瓶、清理餐桌與操作洗碗機，並已在宇樹 G1 與加速進化 T2 兩種本體上驗證。團隊自研 S0 全身控制系統負責足部軌跡、軀幹姿態與重心轉移，S1 按現場狀態組織任務動作，模型先以第一視角人類全身資料 EgoBody 預訓練，再經真機後訓練與人形 DAgger 人工糾正。該路線今年 7 月由團隊在技術部落格中提出，創始人包括李弘揚、李天羽、陳立。