找到 5 筆
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；
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。
Ropedia 在第一屆 Super Week 集中發布六項研究，主線是跨本體世界模型 Ropedia W0：用約 1 萬小時人類第一視角影片與 3000 小時機器人影片訓練，在八種本體上無需針對評測資料額外適配即達 21.98 dB PSNR，高於 Cosmos3-Nano 的 19.02 dB。人類預訓練還大幅降低機器人資料需求，在 GR-1 上僅用 1% 後訓練資料就超過用全量資料初始化的通用影片生成模型；
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。
11 月 5 日，張江 AI 創新小鎮「Triple T」塔尖會沙龍以具身智慧資料戰為題舉行。螞蟻靈波黃用韜主張現階段預訓練應優先積累真機互動資料，並儘早融入觸覺；清華劉淼認為資料選擇取決於應用定位與訓練階段，工業精密任務依賴真機資料，開放環境通用智慧需利用人類經驗資料的規模優勢。三場 Open Mic 與 Panel 還討論了觸覺多模態採集、資料配方與評測、規模化降本及不同硬體的資料表徵對齊。