機器之心● 精選AI 評分80
Recursia 零樣本長時機器人操作超輝達 ASPIRE 最高 15.1 個百分點
研究團隊提出具身 RSI 系統 Recursia，通過內外雙層迴圈讓機器人從執行經驗中改進共享執行棧，在 LIBERO-Pro Long 零樣本長時操作的位置/任務擾動下成功率達 28.4%/53.4%，比輝達 ASPIRE 高 5.8/15.1 個百分點。共享棧分為工具、技能、交接、驗證四層，候選修改需經通用性檢查、機制測試及父子版本配對比較。
搜尋
找到 14 筆
機器之心● 精選AI 評分84
自然意志發布 Natura-1：50B MoE 靈巧手模型實現零樣本操作
北京具身智慧公司自然意志發布 Natura-1：50B 引數的 MoE 模型，用 100 萬小時第一人稱人類經驗預訓練，在 100 毫秒控制迴路內驅動 20 自由度靈巧手。團隊放出包餛飩、貼手機膜等六段原速一鏡到底演示；在覆蓋 12 個能力維度的零樣本基準上，Natura-1 得 53.4 分（Base）與 59.1 分（Agentic），π0.5、GPT-6 Astra 在靈巧手平台上均未得分。
Hacker News front pageAI 評分71
Dream Labs 發布 Dream-1，可零樣本控制未見過的機器人
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；
Mistral AI news● 精選AI 評分80
Mistral 發布時序基礎模型 Timestral，209M 版本登頂三大基準
Mistral 發布首個時間序列基礎模型家族 Timestral，最大的 209M 引數版本在 GIFT-Eval、TIME、fev-bench 三個公開基準上均排名第一，且引數量只有此前最優模型的三分之二。家族含 5M、28M、123M、209M 四個規模，支援機率與多變數預測、已知未來協變數，零樣本即可使用。推理無需 GPU，在 8 執行緒標準伺服器 CPU 上，用三週 15 分鐘粒度歷史預測未來一天，5M 耗時 10ms、209M 為 140ms；
機器之心● 精選AI 評分70
HyperQ 用 64 量子位元讓 1.1B 擴散語言模型超過 8B 模型
蒙特利爾大學、Mila 與麥吉爾團隊提出 HyperQ，把逐 Token 動態生成的量子電路接入擴散語言模型；在 64 量子位元下，11 億引數模型的六項零樣本測試平均分超過 Qwen3-8B 等 80 億引數模型。超網路根據每個 Token 的隱藏狀態生成量子門旋轉角度、耦合強度與測量方向，只訓練新增的量子分支，不改動主幹；相比凍結主幹提升 4.71 分，也超過 LoRA 微調，而指令微調資料只有後者的十分之一。
量子位AI 評分60
魔法原子 EchoPolicy-0 登頂 MolmoSpaces 具身榜單
在 AI2 發起的 MolmoSpaces 零樣本具身評測 Combined 榜單上，魔法原子 VLM Agent 框架 EchoPolicy-0 以 75.4% 的機器人操作平均成功率拿下全球第一，覆蓋全部 4 個 v1 任務，共 3915 局全量評測。同一分組下，自研具身 Agent 框架 MagicBrain 以 3.4B 引數位列全球第四，抓取成功率 94.4%，Pick-v1 與 Pick & Place-v1 兩項任務均為全球第一。
機器之心● 精選AI 評分80
AA-Robotics 首份榜單發布：GPT-6 Astra 操控機械臂得分居首
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。
Google Developers blog● 精選AI 評分78
EmbeddingGemma 2 發布：740M 開源多模態嵌入模型
EmbeddingGemma 2 是一個 740M 引數的開源權重多模態模型，把文字、影像、影片與音訊對映到統一向量空間，面向隱私優先的端側檢索。開發者可用 MediaPipe Tasks 跨平台整合，或通過 LiteRT 在 CPU、GPU、NPU 上做細粒度效能最佳化。模型支援邊輸入邊搜的媒體檢索、影片關鍵幀定位與零樣本意圖路由等超低延遲本地場景。
機器之心● 精選AI 評分82
Dream Labs 開放首個機器人大腦 API，每小時 3 美元
Dream Labs 結束隱身，上線全球首個面向公眾的機器人大腦 API，搭載自研模型 Dream-1，按每小時 3 美元計費（輕量版 Dream-1-flash 為 2 美元），同時宣布 9000 萬美元種子輪融資。開發者只需提供自然語言指令即可生成電機控制指令，無需機器學習背景，並能零樣本適配訓練中未見過的機器人，已有 20 多家硬體廠商加入合作。
量子位● 精選AI 評分78
清華系星動紀元 VPP2 登頂 RoboDojo 模擬榜單
星動紀元自研世界動作模型 VPP2 登頂 RoboDojo 模擬榜單，平均成功率 32.26%、平均得分 39.26 分雙第一，高於 GPT-6-Astra 的 22.48% 和 28.97 分，泛化、精細操作、記憶三項同樣居首。真機 ALOHA 雙臂零樣本 10 類任務平均成功率 58.5%，9 類最佳，高於π0.5 的 40%。該模型未使用額外資料或 Agent RSI 等增強手段，靠三階段訓練解耦影片預測與動作學習，程式碼與專案主頁已開源。
Latent SpaceAI 評分61
Standard Bots 獲 2 億美元融資，機器人模型本地推理
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。
機器之心AI 評分48
生數科技直播 Motubrain 2.0 訓練全流程，模型即將開源
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。
機器之心● 精選AI 評分71
TUM 提出 Tadpole：自編碼器預訓練 3D 物理基礎模型，線上學習免存 202TB 資料
慕尼黑工業大學團隊提出 Tadpole，用自編碼器而非預測下一時刻作為預訓練目標，先學三維物理場的通用表示，再遷移到重建、動力學預測與生成。預訓練採用線上學習，GPU 上的求解器即時生成資料直接送入訓練，累計使用約 202 TB 資料卻無需本地儲存，在高速 SSD 環境下整體速度約為離線方案的 1.8 倍。模型用隨機裁剪區域性區域統一不同變數數與解析度的資料，零樣本重建最高到 1024³；
量子位AI 評分43
生數科技在正式開源前直播 Motubrain 2.0 訓練全流程，持續半個月
10 月 21 日，生數科技的 Motubrain 團隊啟動了 Motubrain 2.0 訓練全流程公開直播，計劃持續半個月，在正式開源前展示這款具身模型從訓練、測試到能力迭代的過程。直播涵蓋預訓練、後訓練、Agent 任務執行與 RSI（遞迴自我改進）探索四個環節，重點觀察訓練規模對零樣本泛化的影響、經驗能否遷移到其他任務，以及模型能否依據執行反饋改進自身行動。團隊稱將公開訓練中的失敗、試錯與調整，開啟具身模型訓練的“黑盒”，但具體效果仍需後續實驗與評測驗證。