AI 编程实时动态与要闻

Hugging Face、BitRobot、新加坡具身智能中心和 NUS 等 11 月 4 日推出 RoboColosseum，一个分布式真机评测框架，覆盖 SO-101、Franka、双臂 YAM 和 Unitree G1 四种机器人。首轮在 124 个站点做了 5,699 次盲测对比，测了 5 个 VLA 策略和 3 个前沿大模型：Claude Opus 5.5 和 GPT-6 Astra 的平均任务进度分别比 VLA 高 12.1 和 11.0 个百分点，Grok 4.7 落后 7.5 个点。所有 rollout 数据公开在 Hugging Face，并向学术界提供 10,000 小时免费评测。

查看大图

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。

查看大图

针对视觉-语言-动作（VLA）模型死记硬背“观测-动作”映射导致跨场景泛化脆弱的痛点，今日三项重磅具身智能开源成果从物理状态转移、世界模型统一因果训练与仿真数据引擎共进化三路破局：浙江大学开源 2B 规模 VLA-Δ（arXiv:2610.21306，HF 54 赞），显式监督物理状态变化且推理零额外开销，以 98.4% 刷新 LIBERO 最高纪录；上海交大与港大开源 OneWM（arXiv:2610.21095，HF 40 赞），在 RoboCasa365 上取得 36.68% 综合成功率（达 π0.5 的 2.17 倍）；UIUC/Amazon 提出 CoDA（arXiv:2610.22362），通过 15 轮仿真引擎与策略共进化，将 LIBERO-Pro 指令扰动成功率从 1% 暴力拉升至 76%。

查看大图

针对视觉语言模型（VLM）在空间感知中依赖自回归文本生成导致的高延迟，以及具身 VLA 模型缺乏个性化与物理安全兜底的难题，今日两项重磅开源成果给出解法：MJev-Spatial（arXiv:2610.22276，HF 350 赞登顶）复用骨干 Q/K 投影将空间判断转化为单次前向分类，零新增参数提速 5.6 倍并在 12 项基准斩获 65.64% 第一；港中大贾佳亚团队 CarryOn（arXiv:2610.21453）以规划-执行双环 Harness 将机器人安全违规率从 52.6% 降至 6.1%，故障恢复成功率从 13% 飙至 80%。

查看大图

针对视觉-语言-动作（VLA）与世界动作模型（WAM）普遍依赖通用视频大模型作为感知底座、在杂乱环境与微小物体定位上面临高延迟与定位失效的行业瓶颈，研究团队发布专为具身物理智能设计的 4B 定位基座模型 GroundingPI。通过将关键点与三维包围盒统一表征为共享词表中的量化坐标，结合多模态空间预训练与 GRPO 强化学习，在 34 项定位基准上刷新 SOTA，并在 RoboTwin 2.0 与 RoboCasa 机器人控制中实现跨越式泛化。

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

传统的具身机器人操控严重依赖专用的视觉-语言-动作模型（VLA），其不仅训练成本极高且在陌生环境中的零样本泛化能力极差，更完全无法直接享受到通用多模态大模型（VLM）快速迭代的技术红利；而近期的 Agent 方案则过度依赖庞大的代码生成器或 SAM3 等外部目标分割工具，系统极度臃肿。UIUC 与 CMU 联合团队推出了颠覆性的机器人外壳框架 MotorMind（arXiv:2609.38078）：核心思想是“能否让通用 VLM 如同人类远程操作员一般，直接从视觉观察推演动作并自适应调整？”MotorMind 创新设计了连接 VLM 建议的中阶动作（Mid-Level Actions）与确定性控制器的调度外壳，配合异步闭环监控与后台工作记忆更新。在无需任何特定任务训练、代码生成或外部分割模型的纯零样本条件下，在权威基准 LIBERO-PRO 上斩获 66.7% 成功率（基线仅 13.3%），并在真实的 xArm6 实体机械臂上达成 95% 的超高实战胜率。

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

视觉语言模型（VLM）智能体通过视觉观察与动作基元控制机器人已成为具身智能前沿，但反复调用大模型进行多轮单步规划导致了灾难性的 Token 膨胀与高昂的端侧交互延迟。北京大学（PKU）前沿团队推出了交互式代码执行框架 PyRUA-Lean。该架构颠覆了传统的单步 Tool-Calling 范式，将经典机器人底层运动基元与具身 VLA 模型动作组合成带条件判断与局部重试的 Python 执行单元（Code Cells）。智能体仅在真正需要全局重规划时才显式请求图像帧与关键状态回传。在涵盖 LIBERO-PRO、RoboTwin 2.0 与 RoboCasa365 的 700 组复杂实体仿真任务评测中，基于 GPT-6 Astra 规划器的 PyRUA-Lean 将整体任务成功率从 63.1% 显著推升至 71.7%，同时 LLM 调用频次减少 49%，输入 Token 消耗暴跌 65%。

查看大图

具身智能与机器人前沿团队（X-Square-Robot，@huggingface）在 Hugging Face 与 GitHub 正式开源了长程操作任务规划系统 X-Planner（arXiv: 2609.25187，GitHub: X-Square-Robot/Xplanner）。针对当前视觉-语言-动作模型（VLA）往往将高阶推理规划隐藏在隐式动作层中、而传统思维链（CoT）规划器逐 Token 串行生成不仅延迟过高且极易发生时序发散的痛点，X-Planner 创新性地引入了“事件结构化（Event-Structured）双接口”：离散接口输出高解释性事件状态，潜空间接口通过“阶梯式解码（Staircase Decoding）”跨 Transformer 深度直接接力连续思维状态，在真机复杂长程抓取与装配任务中实现业界 SOTA 操作成功率。

查看大图

具身智能与多模态大模型前沿研究联合团队在 Hugging Face 与 ArXiv 正式公开了《World Action Agent: Harnessing VLMs for Robot Manipulation via World Action Rehearsal》（arXiv: 2609.29964）。针对目前将视觉语言模型（VLM）用于机器人时，要么沦为脆弱的间接代码生成器、要么仅拥有全局粗糙视角的局限，WAA 构建了基于“接触视角（Contact Views）”、“动作预演（Action Rehearsal）”与“视内实时纠偏”的视觉动作工作空间。通过多智能体协作框架，VLM 在执行物理指令前可自主推演动作并修正残余偏差，在长程复杂基准 LIBERO-Pro 上斩获 75.6% 成功率，大幅刷新世界纪录。

查看大图