ECCV2026 机器人/具身智能论文解读论文笔记多模态机器人导航 Agent 强化学习推理

🤖 机器人/具身智能¶

🎞️ ECCV2026 · 129 篇论文解读

📌 同领域跨会议浏览： 🧠 NeurIPS2026 (2) · 📷 CVPR2026 (146) · 🔬 ICLR2026 (162) · 💬 ACL2026 (11) · 🧪 ICML2026 (53) · 🤖 AAAI2026 (30)

🔥 高频主题： 多模态 ×44 · 机器人 ×33 · 导航 ×20 · Agent ×6 · 强化学习 ×6

VLA-JEPA: Enhancing Vision-Language-Action Model with Latent World Model: VLA-JEPA 让只看到初始图像与指令的视觉语言模型产生潜在动作，通过预测未来的 V-JEPA2 状态表示学习操作语义，再用流匹配生成机器人动作；正文表 1、表 3 的 LIBERO 和 LIBERO-Plus 成功率分别为 97.2% 和 78.1%。
VLA-R1: Enhancing Reasoning in Vision-Language-Action Models: VLA-R1 以 Qwen2.5-VL-3B 为骨干，先用 VLA-CoT-13K 学习有几何标注约束的具身推理，再用 GRPO 优化区域、轨迹与格式奖励，在域内评测中取得 36.51% IoU 和 91.74 的平均轨迹误差，但真实机器人结果仍需结合小样本设置及原文数字冲突解读。
RoboClaw: An Agentic Framework for Scalable Long-Horizon Robotic Tasks: RoboClaw 让同一个 VLM 智能体负责机器人数据采集与任务执行，用正逆动作配对实现自动复位、用在线监督组织多个 VLA 策略，在真实机器人实验中降低人工采集时间，并使四类操作策略随闭环数据迭代持续改善。
Robobench: A Comprehensive Evaluation Benchmark for Multimodal Large Language Models as Embodied Brain: RoboBench 用覆盖五类具身认知的 6092 道问答和基于动作依赖图的 MLLM 世界模拟裁判评估 18 个模型，发现较强的通用问答与规划表述能力仍不能保证隐式需求理解、空间落地和真实执行错误诊断。
EchoVLA: Robotic Vision-Language-Action Model with Synergistic Declarative Memory for Mobile Manipulation: EchoVLA把“环境中有什么、在哪里”的体素场景记忆与“刚才做过什么”的情景记忆分开维护，经粗细粒度检索共同引导底盘和机械臂扩散策略，在RoboCasa移动操作上取得0.31平均成功率，高于同表π0.5的0.20。
World Models for Learning Dexterous Hand-Object Interactions from Human Videos: DexWM 用手部关键点差分与相机运动驱动潜在世界模型，并通过手部一致性监督保留局部细节；在人类与平行夹爪视频预训练、约 4 小时目标机器人仿真探索微调后，通过模型内规划实现真机抓取 10/12 次成功，零样本指未见目标具身上的测试技能且无真机微调，而不是完全不使用目标具身数据。
RL from Physical Feedback: Aligning Large Motion Models with Humanoid Control: RLPF 将人形机器人在仿真中的动作跟踪成败与文本语义匹配共同作为强化学习奖励，微调大动作模型，并通过 Hierarchical RLPF 交替改进生成器和控制器，使动作更可执行而不退化为与指令无关的简单站立。
Scaling Verification Can Be More Effective than Scaling Policy Learning for Vision-Language-Action Alignment: CoVer-VLA 在不修改部署策略参数的情况下，用成功示范训练的对比验证器联合筛选指令改写与动作块，使 PolaRiS 上的平均任务进度由 40.0% 升至 53.9%、成功率由 3.8% 升至 13.1%，表明验证可以成为扩大策略训练之外的一条有效路径，但其收益受候选质量和额外计算开销约束。
MobileVLA-R1: Reinforcing Vision-Language-Action for Mobile Robots: MobileVLA-R1 用多粒度思维链监督建立可解析的推理与动作接口，再以离线 GRPO 奖励优化连续运动方向、离散行为和输出格式，在 R2R-CE Val-Unseen 达到 68.3% SR，并通过固定机载与远端混合部署验证四足机器人闭环执行。
Towards Generalizable Robotic Manipulation in Dynamic Environments: 针对现有 VLA 只会抓静止物体、面对运动目标就失灵的痛点，本文构建了含 11.7 万条轨迹、35 个任务的动态操作基准 DOMINO，并提出用「历史光流 + 物体级未来特征预测」武装 VLA 的 PUMA 架构，在动态任务上把成功率绝对提升 6.3%。
Mechanistic Finetuning of Vision-Language-Action Models via Few-Shot Demonstrations: Robotic Steering 用 20 条机器人示范找出最能预测动作的注意力头，再做头部选择性 LoRA 微调，在多数真机任务上优于全头 LoRA，并更好保留环境扰动和未见任务下的能力，但不是所有任务都获益。
S-VAM: Shortcut Video-Action Model by Self-Distilling Geometric and Semantic Foresight: S-VAM 用同一视频扩散轨迹生成的未来视频作为教师来源，将几何与语义前瞻蒸馏到单步视频特征，在保留原始特征的同时训练动作专家，使 CALVIN 平均完成任务数达到 4.16，MetaWorld 平均成功率达到 72.8%。
FindingDory: A Benchmark to Evaluate Memory in Embodied Agents: FindingDory 在 Habitat 中用 60 个任务模板把物体搬运历史转化为需要记忆才能执行的导航指令，并通过分层指标揭示：冻结 VLM 中 GPT-4o 的高层成功率也只有 27.3%，而记对目标仍不等于能高效到达目标。
EvoVLA: Self-Evolving Vision-Language-Action Model: EvoVLA 在 OpenVLA-OFT 上联合阶段对齐奖励、位姿探索和选择性记忆，减少“看起来完成、实际未完成”的阶段幻觉，将 Discoverse-L 平均成功率从 59.0% 提高到 69.2%，幻觉率从 38.5% 降到 14.8%。
RoboMirror: Understand Before You Imitate for Video to Humanoid Locomotion: RoboMirror 先把视频语义生成式地重建为运动潜变量，再通过经过物理仿真蒸馏的扩散策略输出机器人动作，在 Motion-X 的姿态驱动对比中将整条流程耗时从 9.22 秒降至 1.84 秒，同时将成功率从 0.94 提高到 0.95。
Towards Unified World Models for Visual Navigation via Memory-Augmented Planning and Foresight: UniWM 让一个多模态自回归模型交替预测动作与下一帧，并用步内和跨步 KV 记忆约束持续推演，在 Go Stanford 上将成功率从 NWM 的 0.45 提高到 0.75，在未见 TartanDrive 上达到 0.42。
Persistent Robot World Models: Stabilizing Multi-Step Rollouts via Reinforcement Learning: PersistWorld 从模型自己生成且逐渐失真的历史中分叉多条未来视频，用多视角视觉奖励驱动对比去噪后训练，在 DROID 的 14 步滚动评测中将复现 Ctrl-World 的外部视角 LPIPS 从 0.081 降至 0.070，并获得约 80% 的盲测偏好。
Restoring Linguistic Grounding in VLA Models via Train-Free Attention Recalibration: 本文用 ICBench 揭示 VLA 在指令与场景矛盾时仍完成原任务的“语言盲视”，再以免训练注意力重校准 IGAR 降低这种错误执行，例如 π0 在 LIBERO-Goal 空间矛盾下的成功率由 76.4% 降至 36.4%，但改善并非覆盖所有模型与条件。
Habitat-GS: A High-Fidelity Navigation Simulator with Dynamic Gaussian Splatting: Habitat-GS 用零拷贝高斯渲染、离线准备的可驱动人物和动态胶囊障碍扩展 Habitat-Sim，在保留导航接口的同时提高训练环境逼真度；固定预算下，混合 mesh/GS 训练将 GS 测试集成功率从 61.30% 提升至 79.60%，但真实迁移证据仍限于视频开环评估。
OmniStream: Mastering Perception, Reconstruction and Action in Continuous Streams: OmniStream 将 DINOv3 图像编码器改造成带历史 KV-cache 的因果视频骨干，以自监督表征、几何重建和语言对齐联合预训练，使同一套冻结视觉特征支持感知、空间推理和机器人操作，在 CALVIN ABC-D 上取得 3.885 的平均完成序列长度。
RAE-NWM: Navigation World Model in Dense Visual Representation Space: RAE-NWM 把动作条件导航预测搬到冻结的 DINOv2 空间，以 CDiT-DH 和随生成时间变化的动作门控改善长时结构稳定性，在 Habitat 达到 78.95% 成功率，但路径效率和纹理敏感场景仍有取舍。
Affogato: Open-Vocabulary Affordance Grounding with Automated Data Generation at Scale: Affogato通过串联Gemma3、Molmo、MobileSAM三个基础模型构建全自动标注管线，从Objaverse的15万3D资产中生成了750K规模的开放词汇affordance热力图数据集（Affogato-750K），并设计跨模态统一架构Espresso-3D/2D验证了该数据集作为通用监督信号的有效性——预训练后在3D和2D affordance grounding基准上一致提升，尤其在unseen类别上增益最大。
Diffusion Models are Open-World Affordance Learners: Leveraging Generative Priors for 3D Affordance Learning: DAG 将冻结文生图扩散模型作为人-物交互特征提取器，结合动作文本和点云几何预测三维可供性掩码，在 PIAD2 未见动作设置中以 16.09 mIoU 超过 GREAT 的 12.05，但少样本结果并不支持全面超过全量训练基线的说法。
One-Step Flow Policy: Self-Distillation for Fast Visuomotor Policies: OFP 用区间自一致性、自引导正则化和动作热启动，将生成式机器人策略压缩为一次网络求值，在 56 项三维仿真操作任务上达到 71.6% 平均成功率，高于百步 DP3 的 66.4%，且动作块生成耗时从 3225.67 ms 降至 17.58 ms。
Transport Discrepancy as a Reliability Signal for Vision-Language-Action Models: DiG 将观测特征与动作表征之间的切片 Wasserstein 传输代价作为内部可靠性信号，用同一门控调节特征残差、训练样本权重和推理时迭代，使 \(\pi_{0.5}\) 在 LIBERO-Long 上从 92.4% 提升至 96.4%，在低数据 RoboCasa 上从 41.4% 提升至 52.6%。
AgentVLN: Towards Agentic Vision-and-Language Navigation: AgentVLN 让 Qwen2.5-VL-3B 根据图像中的几何航点提示调度感知与规划技能，并用局部纠错及按需深度查询处理导航歧义，在 R2R-CE / RxR-CE Val-Unseen 上分别达到 67.2% / 69.5% 成功率。
CoMaTrack: Competitive Multi-Agent Game-Theoretic Tracking with Vision-Language-Action Models: CoMaTrack 让两台 VLA 机器人竞争跟随同一个语言指定目标，以非对称奖励和带 SFT 约束的 GRPO 形成动态训练课程，使 3B 跟踪模型在 EVT-Bench 的 STT、DT、AT 成功率达到 92.1%、74.2%、57.5%，其中同模型 STT 从单智能体 RL 的 89.5% 提升到 92.1%。
Dual-Anchoring: Addressing State Drift in Vision-Language Navigation: Dual-Anchoring 为流式视觉语言导航加入“已经完成哪段指令”和“刚刚经过什么地标”两种训练监督，将 R2R-CE 未见环境 SR 从 StreamVLN 的 56.9% 提升至 65.6%，且默认部署无需保留辅助重建分支。
From Passive Observer to Active Critic: Reinforcement Learning Elicits Process Reasoning for Robotic Manipulation: PRIMO R1 将初始图像、过程视频和当前图像结合，用结构化思维链冷启动与基于最终进度误差的 GRPO 训练一个 7B 机器人过程评估器，在四环境比较中获得平均 MRA 82.90、MAE 15.52，并在未见过的 RoboFail 上达到 67.0% 准确率。
GEM: Generative Supervision Helps Embodied Intelligence: GEM 在具身视觉语言模型训练中加入条件深度生成，并通过渐进式对齐把几何信息写入共享表征，使 8B 模型的 VSI-Bench 得分相对同数据 SFT 从 68.6 提高到 70.6，扩展后的 GEM-VLA 在 LIBERO 达到 96.1% 平均成功率。
MM-Nav: Multi-View VLA Model for Robust Visual Navigation via Multi-Expert Learning: MM-Nav 将到达目标、穿越狭缝和动态避障三类深度感知 RL 专家的能力，通过真实 VQA 联合训练与能力均衡的在线蒸馏整合进四视角 RGB 的 7B VLA，在 InternVLA-N1 System-1 基准上取得平均 88.1% 成功率，并在服务器辅助的实机部署中约以 7 Hz 输出连续速度。
SPEAR: A Simulator for Photorealistic Embodied AI Research: SPEAR 将 Unreal Engine 的运行时反射、确定的帧内执行顺序和 NumPy 共享内存通路组合成通用 Python 仿真接口，开放 14,485 个底层 UE 函数，并在两帧渲染延迟下以 73.4 FPS 向 Python 交付 1920×1080 图像。
EgoCogNav: Cognition-aware Human Egocentric Navigation: EgoCogNav 将人的主观路径不确定性作为可监督、可用于条件解码的内部状态，联合预测第一人称导航中的轨迹和头部运动，在 CEN 留出测试集上相较适配后的 EgoCast 将 ADE/FDE 降低约 3.8%/5.0%，不确定性预测的 Spearman 相关系数达到 0.788。
HiPolicy: Hierarchical Multi-Frequency Action Chunking for Policy Learning: HiPolicy 让扩散策略同时预测长时域低频动作块与精细高频动作块，并按采样动作的熵自适应选择执行分支；论文主表报告选定 RoboTwin 任务的总平均成功率从 DP 的 37% 提高到 60%、从 DP3 的 41% 提高到 59%，但这些汇总值不能全部由可见任务行的简单均值复现，自适应加速也另有独立评测口径。
HomeGuard: VLM-based Embodied Safeguard for Identifying Contextual Risk in Household Task: HomeGuard 用“先定位操作对象与环境约束、再判断风险”的上下文引导思维链及定位过程奖励训练独立安全防护模型，使 8B 模型在 HomeSafe-Bench 上的风险匹配率从 33.20% 提升至 74.90%，同时将安全场景误报率从 32.62% 降至 13.14%。
HUGE-Bench: A Benchmark for High-Level UAV Vision-Language-Action Tasks: HUGE-Bench 用真实场景重建的 3DGS–Mesh 数字孪生构建短指令驱动的无人机多阶段任务，并联合评估过程完成与碰撞安全；在 4 个场景、8 类任务和 256 万米轨迹上，最佳基线 π0.5 的平均轨迹覆盖率仍只有 0.581。
RoboStream: Weaving Spatio-Temporal Reasoning with Memory in Vision-Language Models for Robotics: RoboStream 将物体级视觉证据与三维几何绑定为 STF-Tokens，再用 CSTG 持续记录动作与状态变化，使无需任务微调的视觉语言模型能够检查操作前提、追踪遮挡物体，并在八项 RLBench 长程任务上取得 90.5% 平均成功率。
E3VS-Bench: A Benchmark for Viewpoint-Dependent Active Perception in 3D Gaussian Splatting Scenes: E3VS-Bench 把「主动感知」落成一个可量化任务：在 99 个 3D 高斯泼溅重建场景里构造 2,014 条必须靠 5-DoF 视角控制才能答对的问答 episode，用「不可答视角当起点、可答视角当终点 + 盲答/起点答对强制过滤」保证题目不可被先验知识或初始视角蒙对，并以 VLM 判分（1–5）、平均步数、碰撞率三项指标评测，结果显示最强模型平均仅 2.79 分（人类 3.53）。
SAFE-Pruner: Semantic Attention–Guided Future-Aware Token Pruning for Efficient Vision-Language-Action Manipulation: SAFE-Pruner 发现 VLA 模型在连续操作中对「同一语义实体」的注意力在控制时间步之间高度一致（语义注意力一致性），于是用最近一个「关键帧」上逐层缓存好的注意力显著性去预测当前帧尚未算出的深层显著性，再与当前浅层显著性融合后做 top-K token 剪枝，并以浅层注意力漂移检测自适应刷新关键帧，在无需训练、不改结构的前提下取得最高 1.89× 加速、成功率下降不超过 1.5%。
Tactile Modality Fusion for Vision-Language-Action Models: TacFiLM 把预训练触觉编码器的嵌入经 MLP 转成 FiLM 的逐通道 scale/shift，直接调制 OpenVLA-OFT 视觉骨干的中间特征——不往语言模型里加任何 token，在真机插销、USB/HDMI 插拔与拉抽屉任务上把分布内平均成功率从 58.10% 提到 86.67%，峰值接触力降到约三分之一。
Text-Guided 6D Object Pose Rearrangement via Closed-Loop VLM Agents: 让同一个预训练视觉语言模型（VLM）轮流评估场景、提出物体位姿增量，再从重新渲染的结果中纠错，配合三种几何提示，在不微调的情况下将 Open6DOR V2 的整体六自由度位姿预测成功率从 SoFar 的 26.3% 提升至 46.4%。
UniBYD: A Unified Framework for Learning Robotic Manipulation Across Embodiments Beyond Imitation of Human Demonstrations: UniBYD 用一个统一形态表示（UMR）把 2/3/5 指机器手的状态与动作空间对齐，再用"影子引擎"引导的动态 PPO 把密集模仿奖励逐步退火到稀疏目标奖励，让从人手演示训练出的策略跨手型泛化，在自建基准 UniManip 上把成功率比 ManipTrans 平均提升 44.08%（5 指单手 +59.23 点、5 指双手 +28.92 点）。
What Matters in RL-Based Methods for Object-Goal Navigation? An Empirical Study and A Unified Framework: 本文把模块化 RL 的物体目标导航（ObjectNav）系统拆成感知、策略、测试时增强三个模块，在同一套 Habitat 协议下逐一做单因子替换实验，发现"换更好的感知模型"和"加一条推理期策略"带来的增益往往大于"换更强的策略网络"，并据此组装出一个在 Gibson 上超过所有已有方法的系统（SR 84.4%、SPL 48.2%），同时给出 98% 成功率的人类专家基线。
ESCAPE: Episodic Spatial Memory and Adaptive Execution Policy for Long-Horizon Mobile Manipulation: ESCAPE 将可持续更新的空间记忆同时用于导航和交互掩码生成，再让局部可操作性监测器随时抢占全局路线，在 ALFRED 分步指令设置下达到 65.09%/60.79% 的已见/未见场景测试成功率，并显著改善路径长度加权指标。
KineBench: Benchmarking Embodied World Models via IDM-Free Kinematic Grounding: KineBench 提出一套不依赖逆动力学模型（IDM）的具身世界模型闭环评测基准：用「实例分割 → 单目度量深度 → CAD 约束 6D 位姿跟踪」的显式运动学接地管线，把生成视频直接还原成机器人末端位姿并注入 ManiSkill3 仿真执行，再以 SPARC 轨迹平滑度与 Maruyama 可操作度两项经典机器人指标给出机器人视角的诊断信号，在 20 个操作任务的四套件上评测了 7 个前沿视频模型。
Let's Reward Step-by-Step: Step-Aware Contrastive Alignment for Vision-Language Navigation in Continuous Environments: SACA 用冻结的视觉与语言模型定位导航轨迹中“前面做对了什么、从哪里开始出错”，按采样组是否存在成功轨迹分别修复或救援失败样本，在不增加审计器推理开销的情况下，将无额外数据的 R2R-CE / RxR-CE 未见验证集成功率提升至 60.3% / 60.3%。
LIBERO-Safety: A Comprehensive Benchmark for Physical and Semantic Safety in Vision-Language-Action Models: 本文提出 LIBERO-Safety，一个通过参数化场景定义语言（UBDDL）程序化生成安全性关键场景、以 keypose 驱动的大规模无碰撞演示数据管线（19664 条）、以及五维安全任务分类体系（75 个任务）来系统评估 VLA 模型物理安全与语义安全的全面基准，揭示了当前 VLA 模型在泛化能力与安全执行之间存在根本性张力——高多样性训练虽能提升安全轨迹质量，但任务成功率仍受制于次优轨迹合成与语义错配。
NavWM: A Unified Navigation World Model for Foresight-Driven Planning: NavWM 提出一个统一导航世界模型，在共享的双向 Mamba 主干上联合学习潜在世界推理（深度/语义场景抽象）、锚点式多模态轨迹预测和 Flow Matching 条件视觉生成，使得世界模型本身能充当"视觉预见"闭环规划器——对每条候选轨迹模拟未来观测并选出最优路径——在五个机器人数据集上离线生成质量（PSNR 14.17→17.34）和零样本导航成功率（44%）均达到 SOTA。
R3DP: Real-Time 3D-Aware Policy for Embodied Manipulation: R3DP 把 VGGT 的昂贵几何理解改为稀疏关键帧计算，用轻量时序网络持续更新特征并融合相机几何，使 RGB 扩散策略在 RoboTwin 十任务上达到 69.0% 平均成功率，同时在另一运行配置下将观测编码延迟从 73.1 ms 降到 40.3 ms。
Understanding the Impact of Geometric Foundation Models on Vision-Language-Action Models: 本文以 GR00T-N1.5 与 VGGT 为固定组合，用线性探针首次量化了 VLA 相对几何基础模型（GFM）的"几何鸿沟"，把已有文献中五花八门的几何注入方式归纳为早融合、晚融合、空间强制三条受控可比的路线，并系统扫描数据规模、相机数量与重建质量等非架构因素：任务级微调下几何 VLA 并不显著更好，但放大训练数据、或退化到单相机设定后，几何信息的价值才显现出来。
Beyond Dense Futures: World Models as Structured Planners for Robotic Manipulation: StructVLA 将夹爪状态切换和运动停顿对应的稀疏图像作为世界模型的预测目标，再把这种任务进度表征迁移到动作生成，在 SimplerEnv-WidowX 和 LIBERO 上分别取得 75.0% 与 94.8% 平均成功率。
CoToGrasp: Contact-Topology-Conditioned Dexterous Grasp Synthesis via Canonical Workspace Learning: CoToGrasp只用机器人手部几何学习指定接触拓扑，经规范工作空间迁移到未见物体，再筛选并优化抓取，在DexGraspNet上将拓扑平均成功率从21.13%提升至26.72%、拓扑遵从率从14.28%提升至17.18%，但并不在无条件抓取成功率上全面占优。
Deform360: A Massive Multi-view Visuotactile Dataset for Deformable World Models: Deform360 以 41 视角和双手触觉记录 198 个可变形物体的 1,980 段交互，利用几何与运动解耦的标注管线比较视频式与粒子式世界模型，显示显式物理先验适合少数据预测，而大规模预训练有利于新物体的视觉泛化，但不保证动作服从性。
DVG-WM: Disentangled Video Generation Enables Efficient Embodied World Model for Robotic Manipulation: DVG-WM 把视频世界模型显式拆成「低分辨率预览学动力学 + 高分辨率精修补细节」两阶段，用流匹配把预览潜变量直接映射成高分辨率视频潜变量，在 LIBERO 上取得更好的视频质量（FVD 152.36 vs CogVideoX-5B 171.24）、只用 4 步精修换来最高 3.97× 推理加速，真机九任务平均成功率 62.2%（对比 CogVideoX 世界模型的 34.0%）。
E-VLA: Event-Augmented Vision-Language-Action Model for Dark and Blurred Scenes: E-VLA 将事件相机流通过最近计数窗口转化为类帧累积表示，再以零参数叠加或 13M 分层适配器两种轻量方式融入 SmolVLA 视觉编码管线，使机器人在 20 lux 极低照度下 Pick-Place 成功率从 0% 跃升至 90%，在 1000 ms 严重运动模糊下从 0% 恢复至 25%，并在 OOD 泛化测试中仅靠 200 lux 训练数据即在 20 lux 保持 45%。
Efficient Camera Pose Augmentation for View Generalization in Robotic Policy Learning: GenSplat 从稀疏、未标定的机器人多视角观测前馈重建三维高斯场景，以三维先验蒸馏稳定几何，再保持动作标签生成新视角示范，使大幅相机扰动下的 \(\pi_0\) 平均成功率从 48.9% 提升至 62.2%，合成耗时为每帧 0.14 秒。
Humanoid Whole-Body Manipulation via Active Spatial Brain and Generalizable Action Cerebellum: 本文用主动空间大脑决定“接下来观察哪里、执行什么”，再由可泛化动作小脑把这些决定落到导航、身体调位和灵巧操作上，无需任务专属实机示范，在困难避障设置中达到 60.0% 成功率，而 CaP 为 30.0%。
PolicyTrim: Boosting Intrinsic Policy Efficiency of Vision-Language-Action Models: PolicyTrim 提出两阶段 GRPO 后训练框架，通过动态执行窗口探索扩展可靠动作块长度、配合节省步数奖励与群锚定稳定性正则消除冗余物理步骤，在不改架构、不增示范数据的前提下将 VLA 机器人端到端部署速度提升最高 5.83 倍。
Pondering the Way: Spatial-perceiving World Action Model for Embodied Navigation: SWAM 提出将视觉导航中的轨迹规划与未来观测生成合二为一，用单次扩散推理从起始/目标 RGB 图像直接联合生成中间 RGB-D 帧序列和对应的行动轨迹，摒弃了传统"采样-验证"两阶段范式，在精度、效率和零样本泛化上全面超越基线。
Revisiting Parameter Redundancy in Vision-Language-Action Models: Insights from VLM-to-VLA Adaptation: 本文重新审视VLA模型的参数冗余问题，发现现有"剪枝后微调恢复"的范式掩盖了对关键参数的误删；作者提出以VLM到VLA adaption过程中的参数变化量(ΔW)作为冗余判据，通过受控剪枝诊断实验揭示不同模块的ΔW信号具有强烈异质性，据此设计多模块联合剪枝方案，在OpenVLA和π0.5上实现12%-30%参数量缩减且无需任何后剪枝恢复即保持约90%原始性能。
Tac2Real: Reliable and GPU Visuotactile Simulation for Online Reinforcement Learning and Zero-shot Real-World Deployment: Tac2Real 用一个带摩擦项的 PNCG-IPC 软体求解器（Taichi 实现、可插进 Isaac Lab / MuJoCo 等引擎）在多机多卡上以 4,096 环境 4,465 FPS 的速度产出 7×9×2 标记位移场，配合四级标定流程 TacAlign 弥合仿真与真实之间的域差，让全仿真训练的策略零样本迁移到真机盲插销任务，60 次试验成功 55 次（91.7%）。
Task-driven Processing with Coarse-to-Fine Glimpse-based Active Perception: CF-GAP 是一个任务驱动的感知前端：它先用"待搜索目标"的多视角样例与降采样场景做卷积得到粗搜索热图，以 winner-takes-all 加抑制返回选出 30 个粗注视点，再由一台对数极坐标感受器在每个粗注视点上闭环迭代、用细搜索图的质心把注视点逐步修正到目标身上，最后只把少量高分辨率 RoI 与注视点坐标交给现成实例检测器，在 HR-InsDet 与 Robotools 上把多个 SOTA 检测器的 AP 最多提升约 20 个点，并让轻量检测器反超其重型版本。
VLA-Hijack: A Transferable Patch Attack against Vision-Language-Action Models via Visual Proprioception Hijacking: VLA-Hijack 将视觉语言动作模型的鲁棒性问题定位到视觉自定位表征，通过抑制真实机械臂特征并注入替代具身表征，在 LIBERO 的 11 个黑盒迁移模型上达到 61.64% 平均任务失败率，但效果随架构明显变化。
360CityArena: A Realistic Virtual Urban Navigation Benchmark for Embodied Agents: 360CityArena 在秋叶原真实全景视频构成的街区位姿图中设置 175 个人工任务，将城市导航拆成七类可诊断能力；最佳受测模型 Gemini-2.5 Flash 的综合得分仅为 17.1%，而熟悉当地的人类达到 77.3%，暴露出地图与第一视角对齐、持续探索和细粒度感知的共同瓶颈。
3DWay: Generalizing Robot Manipulation via 3D Consistent Waypoints: 3DWay把三维轨迹生成转化为VLM擅长的多视角二维坐标文本预测，再用相机几何恢复可执行路点，在RLBench未见任务上以固定俯视抓取策略达到64.0%成功率，并能作为局部空间提示提升少样本微调的π0。
A scalar per patch from pre-trained ViTs enables fast moving navigation in the real world: 这是一项在真实办公楼里跑了 966 次真机导航（累计 24km、0.7 m/s 快速移动）的大规模实证研究，系统对比了 DinoV2/DinoV3/VC-1/AM-Radio/Dune 等冻结视觉编码器在纯 RGB 点目标导航上的表现，并提出一种极简投影层 PAP（Pure Attention Projection）：把每个图像 patch 压成一个标量注意力值喂给下游 agent，既不掉导航性能，又让「可通行区域 / 障碍 / affordance」这类可解释热力图自发涌现。
AdaDexGrasp: Adaptive Dexterous Grasping via 3D Visuo-Tactile Representation Fusion: AdaDexGrasp 先预测“物体表面该由哪根手指接触”来生成初始抓姿，再把实际触觉映射回三维点云以判断和修正不稳定抓取，使未见类别的仿真成功率从不做修正时的 59% 提高到 83%。
Attention-DP3: Spatially Object-aware 3D Diffusion Policy via Geometry-aligned Attentional Conditioning: Attention-DP3 将语言指定的二维物体掩码按相机标定映射到点云，再以三种互补语义场条件化原有 DP3 动作去噪器，使 MetaWorld 平均成功率从 0.669 提升至 0.726，并改善真实机器人在杂乱场景中的操控表现。
AutoSpeed: Annotation-Free Stage-Adaptive Motion Speed Learning for Robot Manipulation: AutoSpeed 提出一种模型无关的训练框架，在不需要阶段或速度标注的情况下，通过将不同速度下的未来轨迹作为候选优化目标、用复合代价函数（预测误差 vs 预测时域）选择最优候选，让视觉运动策略端到端地学会在简单阶段加速执行、在精细阶段减速执行，在多个仿真和真实机器人任务上同时提升成功率和执行效率。
Beyond Description: Cognitively Benchmarking Fine-Grained Action for Embodied Agents: CFG-Bench 将“看懂动作”拆成物理交互、时序因果、意图理解和评价判断，用混合问答与反事实门控暴露模型只会描述却不懂执行的问题，并使 Qwen2.5-VL-7B 在 EB-ALFRED 上的平均成绩经细粒度数据 SFT 从 4.7 提升到 9.7。
ComplexMimic: Human–Scene Interaction Imitation in Complex 3D Environments: ComplexMimic 先分别训练严格跟踪动作的模仿专家与适应碰撞的交互专家，再按动作类型路由教师、优先学习仍能进步的困难轨迹，将能力蒸馏进单个控制器，使 TRUMANS 成功率达到 90.6%，但跨域姿态误差仍存在取舍。
Depth-guided Multi-view Exposure Bracketing for HDR Robot Vision: DMEB 将不同曝光分配给同步多相机，利用外部深度对齐并融合互补观测，实现单次采集的 HDR 重建，在真实 modest-DR 三相机设置下取得 39.40 dB PSNR-µ，同时提供覆盖 121 个真实场景和 20 段合成视频的评测数据。
Domain Adaptation with Adaptive Imagination for Visual Reinforcement Learning under Limited Target Data: AIDA 先把目标图像映射到源状态空间，再由冻结策略和动力学模型展开想象，用三分类判别器逐状态截掉偏离目标流形的后缀，并在保留轨迹上做状态→图像→状态自一致性；仅用 50 条目标轨迹便在 7 个任务中取得 6 个最高回报比和全部最低状态 RMSE。
EgoPHI: Estimating 3D Hand-Object Contact and Force from Egocentric Vision: EgoPHI 是首个仅通过单张第一人称 RGB 图像与物体几何模板，联合估计双手和铰接刚体物体表面逐顶点 3D 接触区域与接触力分布的视觉模型，结合物理仿真数据生成与真机 FTIR 传感验证，将第一人称手物理解推进至物理动力学层面。
Grasp-Oriented Non-Prehensile Manipulation via Learning a Graspability Field: GOMP 将抓取前的推、滑、转动从“到达指定物体位姿”改为“降低到可抓取配置集合的距离”，再用预测距离决定何时抓取，在真实机器人困难初态的 50 次试验中完成 31 次端到端抓取，而不是实现了 97% 的总体成功率。
Gripper-aware Vision Language Action Models: 针对现有视觉-语言-动作模型（VLA）默认假定“末端执行器不变”而无法适应不同夹爪策略分歧的问题，本文构建了首个涵盖 5 类夹爪、10.3 万条轨迹的大规模多策略操作数据集 MiGA，并提出了结合多粒度软提示分词与双路混合适配器调控的 GVLA 架构，在模拟器与真实机械臂上实现了策略级夹爪感知与高效跨形态迁移。
Hypothesis Graph Refinement: Hypothesis-Driven Exploration with Cascade Error Correction for Embodied Navigation: 提出假设图细化（HGR）框架，将未探索前沿预测为显式可修正的假设节点并维护依赖有向无环图，通过语义引导探索与实地验证驱动的级联纠错剪枝，彻底解决具身导航长程记忆中的结构性错误累积难题。
MA-VLA: Multi-Arm Vision-Language-Action Model for Collaboration and Compositional Generalization: 针对现有 VLA 模型在多臂操控中高度绑定固定执行角色与静态全局指令的局限，MA-VLA 提出统一的多臂 VLA 架构，通过 VLM 规划器将复杂任务分解为每臂原子动作，并结合训练期“机械臂乱序”（Arm Shuffle）与视角丢弃策略，首次在未见协作模式下实现强健的多臂组合泛化。
NutriBench-Kitchen: Benchmarking Embodied AI for Nutrition Management: 提出了具身营养管理（Embodied Nutrition Management）任务基准 NutriBench-Kitchen（包含 160 个长视频和 1,500 个严格人工校验的多任务 QA 对）以及引入情景、食物状态与食谱三路解耦结构化记忆的智能体 Nutri-Vgent，显著弥补了主流多模态大模型在跨时域食材状态更新与饮食约束规划上的能力短板。
One Demonstration Is Enough for Real-World Robotic Reinforcement Learning: 针对真实世界机器人强化学习依赖大量示范或持续人工接管的瓶颈，AutoSERL 仅利用单次示范轨迹构建滑动窗口引导、接触卡滞安全恢复与自适应干预终止闭环，在 6 项接触密集型真机任务上均实现 100% 成功率且超越 20 条示范的 SERL 基线。
Panoramic Affordance Prediction: 针对具身智能中针孔相机视野狭窄、观察碎片化的核心瓶颈，本文首次探索全景可用性预测（Panoramic Affordance Prediction），构建了包含 1,003 张 12K 原生全景图像与 1.3 万问答对的首个基准 PAP-12K，并提出仿人眼中央凹视机制的免训练框架 PAP，实现全景场景下对极具形变、跨边界及极端尺度变化物体的稳健交互区域分割。
Path-level Hindsight Instructions for Semantic Exploration in Vision-Language Navigation: 针对视觉语言导航（VLN）中在策略探索轨迹偏离专家路径导致语义指令失配的问题，提出统一后验学习框架 Φ-Nav，利用多模态大模型结合专家上下文示例反向生成路径级后验指令，并通过地标感知对齐加权进行双重监督自举训练，以更少专家数据显著提升连续环境下的泛化导航性能。
PixelPilot: Scalable Vision-Language-Action Models for End-to-End Autonomous Driving: PixelPilot 提出“图像空间规划与确定性 3D 提升”解耦架构，通过多任务 SFT 与基于中间可验证奖励的 GRPO 强化学习，消除了直接预测 3D 轨迹带来的传感器绑定与自车运动状态捷径学习，实现了跨异构数据集扩展与 SOTA 规划性能。
Pose Anything Anywhere: Model-free Object Poses from Arbitrary References: PANY提出统一的无模型6D位姿估计框架，将多视图几何推理与跨视图对应学习联合端到端训练，从任意数量的稀疏参考图（含可选无位姿辅助视图）中直接估计未见物体的6D位姿，无需CAD模型或预注册，在YCB-V、LM-O等基准上大幅超越此前方法。
Predicting Consequences and Reinforcing Navigation Policies with Latent World Models: 本文提出了一种基于隐空间兼容性预测的潜在世界模型（LWM），摒弃高成本的未来像素/特征重构，直接预测动作后果与目标状态的几何兼容性，并在世界模型内部实现了无标注视频监督学习与无交互策略强化（GRPO）。
RelAfford6D: Relational 6D Affordance Graphs for Constraint-Driven Robotic Manipulation: 提出基于关系型 6D 可操作度图（Relational 6D Affordance Graph）的免训练机械臂操作框架，将语义拓扑推理与基于视觉基础模型的 SE(3) 位姿估计相结合，把下游执行重构为解析运动学流形约束满足与闭环重规划问题，在铰接物体与刚体任务上展现出强大的零样本泛化性能。
Self-Evolving Just-In-Time Memory for Proactive Embodied Safety: 针对具身智能体在良性指令下因环境动态交互而频发物理风险的难题，提出了自演化即时记忆框架（JIT-Memory），通过拓扑信念图、意图触发事实规则、程序化元技能与免标注测试时验证回路，在不阻塞任务进度的前提下实现了主动式风险规避。
Teaching Vision-Language-Action Models What to See and Where to Look: 提出 DriveTeach-VLA 框架，通过目标框自蒸馏（DVD）与 2D 轨迹引导提示（2D-TGP）将视觉注意力显式锚定至关键交通目标与可行行驶路径，在 NAVSIM 达到 90.4 PDMS 并刷新 nuScenes 开环轨迹预测 SOTA。
Trajectory-Level Continuous Action Representation for Robotic Manipulation: 针对传统具身智能策略中动作表征与控制频率严重绑定的痛点，提出轨迹级连续动作表征框架 CAT，将固定物理时间窗口内的动作序列映射为固定数量的连续潜变量 token，结合频率感知旋转位置编码与非对称因果解码，在 LIBERO、MimicGen、RoboTwin 2.0 及真实长程机械臂操作中全面超越步长级与离散化基线。
Trust Your Instincts: Confidence-Driven Test-Time RL for Vision-Language-Action Models: 针对传统具身 VLA 模型强化学习严重依赖外部环境成功反馈的瓶颈，本文揭示了离散动作 VLA 生成置信度与物理执行成功率的强正相关性，提出无需外部奖励的测试时强化学习框架 T2VLA，通过置信度驱动的双专家自启动机制与 DTW 混合相似度内在奖励，在离散与连续流匹配 VLA 上均实现显著的自主策略跃升。
Unified Prediction and Planning via Conflict-Aware Disjoint Parameter Training: 针对移动机器人在紧凑共享编码器中联合预测与规划存在的表征竞争问题，提出不相交参数训练（DPT）与稀疏合并机制，通过在参数空间互斥分配关键更新区域并保留高显著向量，在零推理开销下实现高精度邻车预测与安全自车规划。
AeroVLA: A Vision-Language-Action Model for UAV Navigation via Minimalist End-to-End Control: AeroVLA 用前向与下视图、粗粒度目标方位和原生数值 token，把无人机运动与终止决策统一进 OpenVLA-7B 的反应式策略，在 TravelUAV 未见地图上取得 37.58% SR，高于 LongFly 的 11.27%，但仍依赖目标方位先验和底层飞控。
AMCoNav: Asynchronous Multi-module Collaborative Framework for Embodied Visual Navigation: AMCoNav 让轻量导航策略持续工作、让大模型按需在后台推理，再通过共享上下文与概率融合决定探索、验证或直达目标，在 HM3D-OVON 三个划分上取得 60.0% / 60.0% / 53.3% 的成功率，并在同步对照中降低运行时间，但不保证更短的导航路径。
BeTTER: Diagnose the Illusion of Embodied Reasoning in Vision-Language-Action Models: BeTTER 用尽量保持已知动作可执行的任务干预，区分 VLA 的动作熟练度与真正的语义、组合和状态推理：三个代表模型在未见子目标组合上的成功率仅为 5%、15% 和 0%，真实机器人也出现惯性执行与阶段冲突。
ChronoFlow Policy: Unifying Past-Future Interaction Flow in Visuomotor Policy Learning: ChronoFlow-Policy 将物体与夹爪的历史、当前和未来三维关键点轨迹放进同一交互表示，以未来轨迹恢复和动作预测共同训练扩散策略，在 MetaWorld 与 RoboTwin 2.0 上分别达到 72% 与 66% 平均成功率，并将真实 Swap-Easy 最终阶段成功率从不使用历史时的 20% 提升至 93%。
CulinaryCut: A Physics-aware Vision-Language-Action Benchmark for Food Cutting via Material Point Method: CulinaryCut 用 MLS-MPM 与 ManiSkill 耦合生成带接触力记录的食物切割数据，分别暴露 VLA 的比例定位和真实切断困难，并在不改变 RDT 架构、不输入力信号的条件下，将橙子切割的 IntSim 成功率从 23% 提高到 59%。
DiNBV-Grasp: Real-Time Distance-Aware Two-Stage Next-Best-View for Robotic Grasping: DiNBV-Grasp把“从哪里看以解除遮挡”和“靠近到哪里看才利于抓取”拆成两阶段，用蒸馏后的语义规划器完成前者、用成功概率评分器完成后者，在不改动底层操控模型的仿真插件实验中将ManipLLM的Seen/Unseen成功率从56.00%/51.00%提高到65.62%/58.42%。
Environmental Change Detection for Real-World Change Analysis: 本文提出摆脱预先配对与严格对齐假设的环境变化检测（ECD）新范式，利用视觉地点识别检索参考子集并通过多尺度环境马赛克合成器与语义聚合重构查询视角，在非对齐甚至含混淆样本的真实开放环境中实现了显著优于传统配对方法的像素级变化检测。
EvoWorld: A World-Model-Centric Framework for Continuous Self-Evolution of Modular Embodied Skills: EvoWorld 解耦通用物理动力学先验与任务专用操作技能，以动作条件视频世界模型作为反事实推演基质，结合 MLLM 场景感知路由与 VLM 细粒度归因诊断，实现了模块化具身技能的零全网重训持续自演化。
Exo2EgoPolicy: Pose-Aligned Cross-View Policy Learning: Exo2EgoPolicy 摒弃了容易产生空间形变与高频抖动的像素级跨视角视频生成范式，将第三人称人类操作视频直接投影并扩散翻译为第一人称 SE(3) 手-物位姿流，借助时序收敛正则与统一状态-动作空间，成功与少量真机遥操作数据联合训练人形双臂控制策略，使长程任务成功率显著提高。
FedNASP: Federated Vision-Language Navigation with Adaptive Step-Wise Personalization: 针对家庭私有环境下多模态视觉语言导航（VLN）因跨环境异质性严重且长程轨迹决策难度动态变化而导致传统联邦聚合与静态个性化失效的问题，FedNASP 提出在全局共享主干的基础上，通过轻量级步级个性化调制器动态预测每步个性化强度，并结合结构感知的适配器前缀注入，实现了跨客户端稳健高效的自适应去中心化具身导航。
Fixed Reality, Diffused Possibility: Disentangling Stochastic and Deterministic Latent for Cluttered Grasping: 针对杂乱遮挡场景中确定性几何结构与随机决策不确定性混杂的难题，本文提出分层解耦扩散框架（FRDP），将场景表征显式拆解为确定性固定隐变量与扩散随机隐变量，并结合调和抓取场差分几何约束，实现了物理自洽且避障平滑的多模态 6-DoF 抓取姿态生成。
GameWorlds: Towards Standardized and Verifiable Evaluation of Multimodal Game Agents: GameWorld 提出了首个面向多模态游戏智能体的标准化、可验证基准，涵盖 34 款浏览器游戏与 170 项任务，通过解耦推理延迟的沙盒环境、双接口动作统一协议以及基于内部游戏状态的确定性评测，系统揭示了前沿大模型与人类玩家在闭环交互上的巨大差距。
Grounding Sim-to-Real Generalization in Dexterous Manipulation: An Empirical Study with Vision-Language-Action Models: 通过在双臂机器人平台上开展超过 10,000 次真实世界评测实验，系统性解耦并揭示了空间域随机化、逐帧采样粒度、渲染真实感与强化学习微调对 VLA 模型零样本 Sim-to-Real 泛化的决定性影响。
Guide, Think, Act: Interactive Embodied Reasoning for Vision-Language-Action Model: 针对传统 VLA 模型紧耦合端到端映射缺乏可纠错性以及现有具身 CoT 无法融入外部空间先验的问题，GTA-VLA 提出统一的「引导-思考-行动」框架，支持以交互式空间线索（可操作点、检测框、轨迹点列）直接约束结构化空间视觉思维链，并通过异步 Flow-Matching 动作头实现高响应度控制，在 SimplerEnv-Bridge 上达到 81.2% 成功率且大幅提升 OOD 与歧义场景下的纠错恢复能力。
LaMP: Learning Vision-Language-Action Policies with 3D Scene Flow as Latent Motion Prior: LaMP 提出了一个双专家 VLA 框架，引入条件流匹配 Motion Expert 预测紧凑的一步部分去噪 3D 场景流隐状态，并通过门控跨注意力注入动作策略，在 LIBERO、LIBERO-Plus 和真实机器人操作中显著提升空间推理与长程规划鲁棒性。
LARY: A Latent Action Representation Yielding Benchmark: 美团提出首个解耦策略评价的潜动作评测基准 LARYBench，涵盖 120 万视频与 151 类动作，实验证实无动作监督的通用视觉表征在语义与控制回归上系统性优于专用具身潜动作模型。
LEAP-VLA: Latent-Enhanced Action Prototyping via Continuous Residual Latent Spaces for Vision-Language-Action Models: 针对视觉语言动作模型依赖庞大参数量与繁琐扩散解码的瓶颈，LEAP-VLA 提出动作解耦表征范式：阶段一通过多级软残差量化学习连续动作流形与原型基底，阶段二利用轻量外置对齐器实现单步前向原型软选择，以仅 1B 主干在 LIBERO 与 CALVIN 上超越数倍规模的 SOTA 模型。
Less is More: Reducing Complexity in Vision-Language-Action Systems: 针对现有视觉-语言-动作（VLA）系统架构碎片化、重度依赖特定评测微调与繁杂数据工程的痛点，本文提出极简基准 StarVLA-α，证明强大的预训练 VLM 底座配合轻量 MLP 连续动作头与朴素零填充，无需专用预训练和繁复工程即可在多基准与真实机器人上刷新顶尖性能。
Lifting Ego World Models for Planning and Control: 针对类人具身智能体高维关节动作导致世界模型控制与规划难的问题，本文提出通过轻量策略将当前观测中的稀疏 2D 骨骼末端路径点升阶映射为低维动作空间，使冻结世界模型的 CEM 规划误差降低 3.8 倍且显著降低计算代价。
M2Tok: Multi-head Multi-codebook Discrete Action Tokenization for Vision-Language-Action Models: 针对现有 VLA 离散动作分词器因维度语义缠绕和码本容量受限导致的“离散化瓶颈”，M2Tok 提出隐空间多头正交分解与多码本组合量化，将动作重构 L1 误差降低至 0.0024，并在 RoboTwin 仿真双臂操作中取得 51% 的成功率。
MuSix: Multi-scale Mixture of World Models for Embodied Agents in Evolving Environments: 提出 MuSix 框架，通过建构水平理论（CLT）启发的经验距离驱动两阶段尺度感知路由，显式解耦世界模型的"尺度确定"与"模型选择"；同时引入尺度依赖的遗忘率和门控跨尺度知识传递，让低层即时知识快速刷新、高层抽象知识持续稳定，实现具身智能体在动态环境中的多尺度自适应演化。
NeuIDO: Neural Intrinsic Dynamics Operator for Physics-Informed 4D World Models: 将物理驱动 4D 世界建模形式化为从视频函数空间到本构律函数空间的神经算子学习，通过两阶段训练（先预训练物理本构基空间、再将视频对齐到动力学隐空间）实现零样本动力学快速推理与少样本高效自适应。
ORION: Ordinal Neural Collapse as a Representation Prior for Visual Navigation: 针对端到端视觉模仿学习中单一动作损失导致视觉编码器学到控制无关模糊表征、多叉路口频繁决策震荡的瓶颈，提出将目标相对方向离散化为有序控制类别，并在表征空间引入序数神经折叠先验（监督一维投影对齐与正交方差压缩），使离线预训练的编码器为下游扩散策略提供高一致性几何引导，仿真多叉路口成功率提升达 26 个百分点。
PARL-VLA: Pruning-Aware On-Policy Reinforcement Learning for Vision-Language-Action Model: 针对视觉-语言-动作（VLA）模型在在线强化学习后训练中直接引入剪枝会导致探索与利用配置不匹配并引发训练崩溃的问题，PARL-VLA 提出剪枝感知强化学习框架，通过记录轨迹采样剪枝配置并在策略梯度更新时精准回放以对齐似然比，同时构建跨保全率的谱剪枝训练课程，在丢弃 55% 视觉 Token 的同时实现端到端训练加速与显著的跨分布抗扰动鲁棒性。
RAGrasp: A Retrieval-Augmented Framework with Diversity-Aware Modeling for Dexterous Grasp Generation: 针对灵巧抓取生成中成功率受制于随机潜变量初始状态以及类型分类器退化导致多样性不足的难题，RAGrasp 提出基于分布对齐的几何感知先验检索初始化与探索-兜底双头抓取类型选择网络，在大幅提升抓取成功率的同时实现了抓取多样性的可控调节。
RoMan-4D: Learning Robot Arm Manipulation from 4D World Models: 提出结合 4D 几何特征蒸馏与自适应逆动力学的视频世界模型（GEM-4D），在训练期通过非对称流匹配将预训练几何大模型的时空结构先验注入视频生成主干，在零推理开销下实现跨帧物理一致的视频预测与 6-DoF 机械臂精准操控。
SAFE-EQA: Semantic-Aware Efficient Exploration for Embodied Question Answering: 针对具身问答中基于前沿探索导致的局部贪心徘徊与高频 VLM 查询开销，SAFE-EQA 将主动探索建模为基于拓扑地标图的语义感知旅行商问题 (TSP)，配合前沿触发的自适应重规划与分层图匹配应答，在匹敌与超越 SOTA 精度与探索效率的同时削减 27.8%~45.6% 的 Token 消耗。
Scalable Cross-embodiment Dexterous Grasping via Morphology-Prior Diffusion: 将跨本体灵巧抓取重构为刚体Link的3D拼装问题，提出共享形态先验扩散模型SOMO，结合冻结的3D几何编码器与基于正向运动学自探索的无分类器引导训练，仅凭URDF即可实现对未见机械手的零样本高质量抓取合成。
Sim, Yet Same: Physics-Aligned Simulator as Zero-Shot Data Scaler in Deformable Worlds: 针对衣物等柔性物体几何形变复杂、仿真易失真导致难以生成有效操作数据的难题，SIM1 提出了物理对齐的 Real-to-Sim-to-Real 数据引擎，通过亚毫米级场景重建、形变稳定的增强顶点块降采样解算器（AVBD）以及扩散轨迹生成，实现了合成数据对真实演示 15:1 的等效扩展比与 90% 的零样本真机成功率。
Stabilizing Real-World Visual Active Tracking with Action-Smooth Test-Time Adaptation: 针对视觉主动跟踪在实物部署中面临的视觉域迁移和干扰物混淆问题，本文提出首个针对 VAT 的测试时自适应框架 VATA，通过 Critic 价值最大化筛选可信测试样本更新 BN 层，并引入动作平滑正则化约束突变控制指令，使实体无人机跟踪成功率从 20% 飙升至 80%。
Stand Up and Move: Benchmarking Interactive Spatial Intelligence in WalkerBench: 针对静态“旁观者视角”基准无法测验主动视差消除几何歧义的问题，本文提出覆盖全球 161 城的交互式空间智能基准 WalkerBench，揭示 VLM 一维线性上下文与 3D 拓扑之间的表征错位，并提出通过显式拓扑记忆与感知-推理认知解耦的免训练脚手架 Spatial-IDE，在基准与宇树人形机器人实机上实现大幅提升。
StructPolicy: Structure-Guided Imitation Learning Robust to Visual Domain Shifts: StructPolicy 构建了一种由几何基元与物理约束组合而成的域不变结构图（Structure Map），并通过分层编码与可操作性引导，使机器人在光照、背景颜色、相机视点及视觉噪声等剧烈域偏移下依然保持高精度的鲁棒操作。
TaxoGrasp: Taxonomy-Guided Human Grasp Synthesis with Sparse Contact Constraint: 针对稀疏大拇指接触约束下手物交互意图模糊与接触-语义解耦难题，TaxoGrasp 将 Feix 人手抓取分类体系作为显式语义瓶颈贯穿“认知推理-扩散实例化-锚点对齐接地”三阶段，实现了高意图一致性且物理可执行的抓取合成。
TDSR-VLA: Transition-aware Denoising Sequence Representations for Vision-Language-Action: TDSR-VLA 提出解耦视觉规划与动作生成的 VLA 架构，复用 Stable Diffusion 3 视觉规划器在去噪过程中产生的早期序列表征（SR）与迭代更新序列表征（USR），通过分层 Prefix-KV 注入引导流匹配动作专家生成连续动作块，在极小真实示范数据下显著提升了长时程双臂协同操纵性能。
Towards More Efficient Decoding for Autoregressive Vision-language-action Models: 针对自回归视觉语言动作（VLA）模型高频推理受限的瓶颈，提出 CEED-VLA 框架，通过雅可比轨迹的一致性蒸馏打破序列依赖，并结合自适应早退解码消除尾部冗余迭代，在保证操作成功率的同时实现高达 4 倍以上的推理加速。
Twin-DAgger: Synergizing Digital Twins and Human Corrections for Efficient Robot Manipulation: Twin-DAgger 将真实世界中稀疏的人类介入矫正同时作为空间失效探针与时间先验，在数字孪生中实施难例聚焦的轨迹形变与分层扩增，仅需 15% 的人工干预量即可匹敌传统 DAgger 性能。
VLA Knows Its Limits: Adaptive Execution Horizons for Robot Policies: 本文发现 flow-based VLA 的执行步长（每个动作块里真正执行几步）存在一个「先升后降」的最优点，并揭示动作 self-attention 里的「首尾动作汇聚点」编码了模型的预测极限，据此提出 AutoHorizon——一种零训练、几乎零开销的测试时方法，为每个动作块动态估计执行步长。
ZAP: Zero-Shot Assembly Planning with Large Language Models: ZAP 先从多视角零件图像推断结构化的“隐式装配手册”，再让 VLM 提议下一步装配动作，并用数字孪生验证与回溯搜索纠错，在 150 个 ASAP-G 装配任务上取得 88.67% 的规划成功率，但这一数字衡量的是仿真验证通过率，不是同等规模的实机成功率。