AI 编程实时动态与要闻

机器人公司 LiberAI 在官方 X 账号和技术博客发布 Liber-0，一个同时预测未来画面和动作的世界动作模型（World Action Model），用超过 220 万小时人类经验预训练，并用自研 LiberSense 手套采集的精确手部动作数据做“动作锚点”。在 GPT-6 随机提出的 60 项任务、600 次试验中，Liber-0 在没有针对这些任务采集机器人示范的情况下总成功率 36.0%，其中复杂多步任务仅 10.5%。官方未公布开源权重或 API。

查看大图

过去一天，X 上围绕 GPT-6 Astra 能否直接当机器人策略展开热议。前 OpenAI 研究员 Will Depue（简介写明曾参与 Sora 1/2、o3/4o 后训练）说，Astra 碾压专用机器人模型「非常令人意外」，随后又称这是「专用 ML 的最终死亡」。投资人 Freda Duan 发帖称「Astra 就是机器人的 GPT-3 时刻」，约 8.4 万浏览。第三方评测给出的数字有支持也有反例：RoboDojo 论文里 Astra 平均成功率 22.48%，排在 40 个公开策略之上；另一份 EBench 报告里它是 46.7%，9 个模型中排第 3。以下是观点讨论，不是 OpenAI 官方结论。

查看大图

10 月 20 日，NVIDIA GEAR 实验室（Jim Fan 团队）开源 Flora 模型套件，把人类和机器人操作视频转成带时间戳的动作描述、过程奖励、结果奖励和评分细则。套件含 Flora-Captioner 27B、Flora-Rewarder 27B（均基于 Qwen3.5-27B）和 Flora-TempSeg 9B（Qwen3.5-9B 上的 LoRA），权重已上 Hugging Face，采用 NVIDIA 非商用许可。官方称它是训练 GR00T 的内部数据引擎，每天在 512 张 GB300 上标注 20 万小时视频，标注质量与 GPT-6 Astra 相当，成本约低 125 倍。

查看大图

独立评测机构 Artificial Analysis 于 2026-10-14 发布 AA-Robotics v0.1 研究预览：在 Codex、Claude Code、Antigravity 等编码智能体框架中，让前沿大模型通过 HTTP API 直接控制一台 6 轴机械臂完成 8 项桌面任务。GPT-6 Astra 得分 69.4 居首，GPT-6.1 Sol 64.6、Gemini 4 Argon 55.3、Claude Opus 5.5 48.8、Claude Fable 5.1 46.3；模型平均每项约 30 分钟，人类约 20 秒。

查看大图

在高吞吐与低延迟的自主智能体工程中，直觉式单遍推理的“系统一”（System 1）模型被广泛用于工具选择、客服调度与网页点击。然而一旦动作选错，业界往往无法探明是“看错了状态”还是“读懂了却依然做错”。卡耐基梅隆大学（CMU）团队针对 17 种快速模型及前沿推理模型构建深度诊断基准：将每一个动作决策问题与关于当前状态的事实探针解耦。惊人结论显示：“绝大多数错误动作都是在完全正确读取了状态事实之后发生的”，且模型准确率越高，这种“理解正确但决策错误”的比例越高。缺失的根本不是感知信息，而是将多源事实综合为下一步子目标（Sub-goal）的推理能力，通过代码逻辑显式聚合其探针答案可立即修复此类失效。

查看大图

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。

查看大图

德国 NEURA Robotics 于 2026-10-14 发布物理 AI 基础模型 Neuron AI。它采用 Perception-Language-Action（PLA）架构，把 3D 视觉、触觉与力矩、音频、机器人本体状态和语言对齐到同一空间并加入记忆，在机器人本地推理，覆盖五种 NEURA 机器人形态。官方未公布量化基准；客户可在 Neuraverse 平台微调并向机队下发技能，10 月 20–22 日将在 NVIDIA GTC Berlin 现场演示 11 分钟全自主洗衣流程。

查看大图

从现实生活中随意拍摄的单张或少样本二维照片中，精确重构出带逼真高保真纹理、几何网格且具备场景相对位姿（Scene-Relative Pose）的完整三维物体资产，是连接虚拟世界、机器人具身操作与空间计算的终极桥梁。然而，日常拍摄的照片普遍存在视野稀疏、视角不确定以及严重的物体自遮挡难题；现存的纯生成式 3D 模型往往在不可见背面产生严重形变与模糊贴图，且无法精确对齐物体在真实物理场景中的六自由度位姿。NVIDIA 研究院（NVIDIA Learning and Perception Research）在最新重磅成果（arXiv:2610.11215，项目主页：research.nvidia.com/labs/lpr/gator）中正式发布了全新端到端框架 GATOR。GATOR 首创了‘生成式扩散初始化 + 多模态智能体闭环精炼（Generative and Agentic Pipeline）’的双引擎架构：局部模态混合器将 RGB 补丁、目标掩码与点云特征深度融合，由文本引导的结构/几何/外观适配器生成初始 3D 资产；随后，该资产直接初始化一个具身多模态 Agent，驱动其在观察引导的‘编辑-渲染-审查（Edit-Render-Review）’闭环中自主旋转多视角进行局部微观重构与位姿对齐。在合成物体、杂乱桌面与真实室内场景的全方位实测中，GATOR 展现出统治级的几何保真度与物理仿真就绪度（Simulation Readiness），项目已正式发布。

查看大图

在多模态大语言模型（MLLMs）中，赋予其精确理解三维物理空间、位姿几何与物体遮挡关系的能力，是迈向物理世界 Agent 与具身机器人的先决条件。当前前沿系统普遍依赖‘空间编码智能体（Spatial Coding Agents）’：通过在推理阶段动态编写并执行 Python 视觉几何代码（如调用 OpenCV、点云分割库与相机投影函数）来辅助空间推理。然而，这种依赖外部解释器与工具链的架构在真实生产中带来了不可接受的推理延迟暴增、复杂沙箱依赖以及频繁的工具调用环境崩溃。在最新发表的研究成果（arXiv:2610.11366）中，研究团队发布了端到端在线自蒸馏框架 SpatialOPSD（开源仓库：github.com/vermouth599/Spatial-OPSD）。SpatialOPSD 创造性地将验证过的空间 Coding Agent 执行轨迹作为‘特权信息（Privileged Information）’，通过策略内自蒸馏（On-Policy Self-Distillation）技术，将高维空间计算能力无损内化进独立的单体 MLLM 中。为了彻底根除自蒸馏过程中特权信息泄露引发的模型重复生成与幻觉，团队设计了‘重复感知蒸馏（Repetition-Aware Distillation）’机制，结合重复掩码与非似然正则化。实测表明，纯端到端免工具的 SpatialOPSD 模型在各类空间理解与几何推理基准上全面超越原生基座，在推理时延降低数倍的同时彻底摆脱了外部代码执行沙箱，代码已开源。

查看大图

视觉-语言-动作（VLA）模型在机器人通用操控中表现出强大的泛化潜力，但在现实复杂物理交互中，如何兼顾任务完成率与避免意外碰撞等安全约束始终是一大严峻难题。传统的工程做法通常在执行端外挂运行期安全护盾（Runtime Shields，如基于控制屏障函数 CBF 的物理截断），然而外部护盾仅能单次强行拦截动作，并不能改变底层神经网络策略；反复发生的策略冲突与防护截断极易导致“策略-护盾长期失配（Policy-Shield Mismatch）”，甚至使机械臂陷入原地死锁或动作剧烈抖动。来自美国圣母大学（University of Notre Dame）的研究团队推出了自进化框架 FailBank（arXiv:2609.39820）：将运行期的安全拦截与物理反馈彻底转化为底座模型的持久性策略自进化。在数据收集阶段，固定 CBF 模块充当仅观察导师（Observe-only Teacher），在机械臂自主掌控的同时生成反事实动作纠偏；随后通过结果感知准入机制（Outcome-Aware Admission）将有效修正提炼为纠错目标，同时将未受干扰的成功动作作为锚点执行受控 LoRA 微调。在权威 VLA-Arena 基准测试中，FailBank 不仅在不同 VLA 底座上将任务成功率提升 6.9~8.5 个百分点并将累计安全代价降低 23.8%~35.6%，相较单纯运行期护盾更将成功率大幅提升 9.5~25.4 个百分点，开创了具身安全自主进化的全新工程范式。

查看大图

传统的具身视觉-语言-动作模型（VLA）与世界动作模型（WAM）将视觉观察与语言指令直接黑盒端到端映射到底层机械动作，导致策略极度脆弱：测试环境微小的光照或视角抖动即可导致抓取失败，且隐式动作序列无法调试与自我修复。联合研发团队在重磅研究《Self-Evolving Coding Agents: From Digital Programs to Physical-World Intelligence》（arXiv:2609.35432）中提出“物理编程（Physical Coding）”范式：借鉴数字代码智能体（Coding Agents）的成功范式，将物理任务状态表述为“代码即世界（Code as World）”，将执行逻辑结构化为“代码即策略（Code as Policy）”。团队构建了 HexaAnything 自进化具身框架，统一调度感知、规划及 VLA 底层控制工具，并将真实交互轨迹沉淀为自进化模型数据。在权威仿真基准 RoboCasa365 与真实的 AgileX 双臂机器人实体上，HexaAnything 展现出惊人的自适应物理实验与操作通关能力，标志着代码智能体正式突破数字虚拟世界边界。

查看大图

编码智能体（Coding Agents）正加速跨越纯虚拟软件世界，走向具身智能与物理世界真实机器人系统的落地研发。然而现有机器人基准大多仅测试单个静态策略（Policy）或控制器的数值表现，无法评测工程师在现实研发中所必需的异构软硬件构建、跨模态多传感器排错及闭环优化等全栈工程能力。哈佛大学、MIT、斯坦福等机构联合推出了首个机器人学习工程师资质考试基准 RLE-Bench。该基准覆盖交互控制、策略学习、感知估算与机械设计四大典型机器人工程工作流，要求智能体在算力与物理约束下自主构建训练管线、编排 Harness 并设计物理结构。通过综合 RLE 指数与多维能力雷达图，系统揭示了前沿智能体在具身软硬件工程中的真实战力与演进方向。

查看大图