World Labs（李飞飞团队）发布 Atlas，号称全球首个可生成图像/视频帧、实现像素级相机控制并重建 3D 的多模态世界模型。它从零预训练多模态自回归扩散 Transformer，可用少量照片重建场景、生成任意轨迹的 RGB/深度，并用于机器人仿真；早期访问将在数周内开放。
40 款主流编程套餐横向比价，支持输入/输出 Token 真实账单模拟
即刻查看该技术对应模型与主流工具的实测差异，或一键测算团队 API 调用与 $20/月套餐盈亏平衡点。
说明：本文由 AICoder 编辑部借助 AI 工具整理撰写，依据文中注明的官方及媒体来源，并按人工制定的采编标准核对事实与数字；厂商自报的数据已标明出处。
联动天梯榜跑分、独家套餐赠金与 IDE 定制规则
针对视觉-语言-动作（VLA）模型中高层语义特征、世界模型视频预测与底层高频动作控制相互割裂的难题，中关村学院与清华团队提出共享预测意图模型 PINT（arXiv:2610.16355），在无需具身预训练下将 RoboTwin 2.0-Hard 成功率从 StarVLA 的 3.2% 提升至 15.5%（4.8倍）；同日发表的 PAIR（arXiv:2610.09016）与北大 SimForcing（arXiv:2610.06598）分别通过训练期掩码动作自编码器桥接令牌与仿真运动先验蒸馏，实现零额外推理延迟下的真机操控跃升。
前 Google DeepMind 研究员 Andrew Dai 创办的 Elorian 于 10 月 16 日发布首个模型 Glimpse：推理过程中可裁剪区域、按更高帧率重看片段、运行代码测量，官方称之为“视觉草稿空间”。基于开源权重底座后训练、仅用数百张 GPU；API 定价每百万 token 输入 $0.60 / 输出 $3。厂商评测中在 WGO Bench、CharXiv-R、UGC-VideoCap、FSC-147 上超过 GPT-6 Astra，但在 HSS、BabyVision、TOMATO、Video-MME v2 上仍落后。
长期以来，机器人的世界模型（预测场景演化）与控制策略（决策执行动作）各自为战，且不同形态机器人动作格式千差万别。研究团队发布机器人通用世界基座模型 GreenWAM：首次构建涵盖 20 类机器人家族（从双臂机械臂到高自由度人形机器人）的共享解剖动作空间（Shared Anatomical Action Space），支持视觉、动作条件与世界动作三大模式的联合预训练，并采用动作专家分离架构。实测显示，GreenWAM 在 WorldArena 1.0 的 3D 轨迹与深度精度排名榜首，在 RoboTwin 2.0 与 LIBERO-plus 上刷新 SOTA，并在实体人形机器人真机上实现高成功率连续控制，越级超越 Cosmos 3 Edge 与 π0.5。
近 14 天全网开发者深度交互与阅读热度
讨论与评论
0登录后即可参与深度讨论
与广大 AI 开发者、工程师交流评测心得与前沿洞察