具身智能与机器人学习论文的逐段精读。每一段都给出英文原文、中文译文和解释，图表逐张解读，公式保留 LaTeX，可一键复制成 Markdown。
Learning Transferable World-Action Models from Task-Paired Human Videos
世界—动作模型（world-action model）从视频预训练中继承了广泛的视觉与物理先验。然而，标准的视频内（within-video）下一帧预测允许模型依赖上下文与未来之间共享的外观，而不必学习能够跨场景、跨本体（embodiment）迁移的交互。
Latent Transition Based In-Context Memory for Vision-Language-Action Models
机器人操作常常需要记住那些已经看不见的交互。我们提出潜在转移记忆（Latent Transition Memory，LTM），它把历史存储为相邻观测之间紧凑的潜在转移（latent transition）。我们在 π0.5 上将其实例化为 LTM-π：该方法使用一个冻结的潜在动作编码器、一个轻量级适配器，以及支持增量推理的因果 KV 缓存，既不需要针对记忆的语义标注，也不需要调用外部推理模型。使用 DreamDojo 的转移表示时，LTM-π 在 RoboMME 上取得 58.54% 的成功率，在 LIBERO…
Scaling Spatial-Language-Action Model via Continual Pre-training
可靠的机器人操作既需要语义理解，也需要在三维空间中的精确控制。然而，视觉—语言—动作（vision-language-action，VLA）基础模型的视觉表征大多继承自二维视觉—语言预训练，而空间监督往往只在面向具体任务的适配阶段才引入。因此，要把空间理解发展成一种可迁移的基础模型能力，就需要从更广泛的机器人经验中学习。我们提出 SLA，一个空间—语言—动作模型（Spatial-Language-Action Model）：它把隐式空间对齐扩展到持续预训练（continual pre-training）阶段，并…
Unified VLA Embeddings for Robot In-Context Learning and Evolution
要为机器人检索到有用的上下文，不仅要匹配它的任务，还要匹配它当前所处的执行阶段，以及接下来应当发生的后续过程（continuation）。我们提出 Robota-Embed。据我们所知，这是第一个在“当前状态查询”和“记录下来的未来后续片段”两端同时联合编码视觉、语言、动作三种模态的视觉—语言—动作（VLA）嵌入模型。预测式检索训练（predictive retrieval training）把这两端对齐，用于物理经验检索；训练得到的表示可以在推理时把历史上的后续片段检索出来，作为上下文使用。
Emergent Zero-Shot Capabilities in Multi-Step Manipulation from 2.2 Million-Hour Human Experience
Liber-0 从 220 万小时人类经验中涌现的多步操作零样本能力 [视频：Liber-0 总览]
Benchmarking Robot Imitative Ability Beyond Action Prediction
人类在意图层面进行模仿：看到一次示范，我们会推断它的目标，再用手边现有的工具、物体和布局去完成它。当前的机器人策略则不同，它们从视觉输入和语言指令中学习“观测到动作”的映射，并不显式推断示范的是什么任务。因此，从人类视频中学习在很大程度上仍停留在轨迹层面：模型能在几乎相同的场景中重放动作，却仍难以模仿示范者想做什么，而只会模仿他们做了什么。我们提出模仿者游戏（The Imitator Game），这是一个四层级（L0–L3）的基准，它逐步拉大人类示范与机器人自身场景之间的差距，从而定位轨迹重放在哪一层开始失效…
Scalable Robot Data Synthesis from Egocentric Human Data
学习可泛化的机器人操作策略需要大规模、多样化的示范数据。第一人称（egocentric）的人类操作视频在场景和任务上都非常丰富；已有工作表明，把这类视频重定向（retarget）并渲染成机器人格式的数据，可以在小规模上训练出有效的单任务策略。然而，这种做法能否在大规模下为视觉—语言—动作（vision-language-action，VLA）模型带来预训练收益，目前尚无研究。
Agentic World Action Models
近来的世界动作模型（world action model, WAM）为机器人操作提供了视觉上的预见能力和对未来的预测，但缺少显式的机制来组合、复用技能。智能体式机器人（agentic robotics）把基于代码的规划与推理同可复用技能结合起来，却往往缺少以物理动力学为依据的预测能力（predictive grounding）。
Video Prediction Policy 2 - Predict Better, Act Better
世界动作模型（world action model，WAM）已经成为通用机器人策略中的一类重要方法，其目标是把视频预测先验迁移到动作学习中。然而我们发现，现有 WAM 在开放环境中经常给出错误的运动预测，进而导致错误的动作。我们将这一局限归因于两个因素：(1) 底座视频模型并非为操作任务优化；(2) 简单地往视频模型中加入动作组件，会大幅削弱其泛化能力。我们提出视频预测策略 2（Video Prediction Policy 2，VPP2），这是一个在视频预测和动作生成两方面都具备强零样本泛化能力的 WAM。首…
Can a Frontier VLM Serve as a Robot Policy for Memory-Dependent Manipulation
我们将一个冻结的前沿视觉-语言模型（vision-language model, VLM）GPT-6-Astra 直接用作 RoboMME 上的机器人策略（robot policy）。RoboMME 是一个包含 16 个记忆依赖型操作（memory-dependent manipulation）任务的基准，涵盖时间记忆、空间记忆、物体记忆和程序记忆。该模型把整个回合（episode）保留在上下文中，输出每一个末端执行器路点（end-effector waypoint）和夹爪指令，且未进行任何针对 RoboMME…
Training-Time Action Conditioning for Efficient Real-Time Chunking
实时分块（real-time chunking，RTC）通过异步地预测动作块（action chunk），并借助推理时修补（inference-time inpainting）以先前已提交的动作为条件，使视觉-语言-动作模型（vision-language-action model，VLA）能够生成平滑且反应灵敏的机器人轨迹。然而，这种修补方法会引入额外的计算开销，从而增加推理延迟。在本工作中，我们提出一种简单的替代方案：在训练时模拟推理延迟，并直接以动作前缀（action prefix）为条件，从而消除任何推…
Scaling Humanoid Whole-Body Control with One Differentiable World Model
追踪大规模人类动作数据集，已成为实现通用、富有表现力的人形机器人全身控制的主流路线，但要扩展到大量动作，代价高昂。现有流水线使用无模型强化学习（model-free reinforcement learning）：要么通过有损的蒸馏（distillation）合并针对单个动作的专家策略，要么用集群规模的算力硬训出单一策略。SuperMimic 用一个刻画所有动作共享动力学的可微世界模型（differentiable world model），把学习成本摊销（amortize）到所有动作上；该模型由标准刚体仿真器…
An Open, Modular Exploration Towards Systematic World-Action Model Pretraining
世界–动作模型（World–Action Model，WAM）从视频生成先验中继承世界知识，并通过具身经验把这些知识转化为可执行的控制信号。然而现有系统是一体化的（monolithic）：生成骨干、视觉表征、架构、信息流、推理流程和训练数据紧密耦合，使人看不清哪些设计选择重要、为什么重要。我们提出 OpenWAM，一个开放的研究栈，把世界–动作预训练变成一项受控的实验计划。OpenWAM-Infra 把 WAM 的设计空间分解为可组合的模块，并提供统一的训练、推理、部署与评测。
From Foundation to Application - Improving VLA Models in Practice
尽管 VLA 基础模型近来取得了进展，实验室条件与真实世界应用之间的差距仍在阻碍其落地实施。为弥合这一差距，我们提出 LingBot-VLA 2.0，它在三个功能领域上对 LingBot-VLA 加以改进。
A World Action Model Bridging Predictive Dynamics and Actions with 20K+ Hours of Open Data
世界动作模型（World Action Model, WAM）通过对视觉动力学与动作生成进行联合建模，已成为通用机器人操作（generalist robot manipulation）的一种有前景的范式。其中的核心挑战在于：如何把大规模预训练模型所提供的互补先验——包括视觉动力学、场景语义以及几何与运动理解——有效地整合进一个统一的机器人动作生成框架。我们提出 InternW0-Δ，一个应对这一挑战的统一世界动作模型：它在大规模异构语料上预训练，在多种仿真基准和真实机器人平台上均优于已有方法。
A Lego-like Codebase for Vision-Language-Action Model Developing
构建通用具身智能体，需要把感知、语言理解和动作整合在一起。视觉—语言—动作（Vision-Language-Action，VLA）方法以多模态基础模型为基础（包括视觉语言模型和世界模型的最新进展），处理的正是这些核心能力。尽管进展迅速，VLA 方法仍分散在互不兼容的模型结构、代码库和评测协议中，妨碍了有原则的比较和结果复现。我们提出 StarVLA，一个面向 VLA 研究的开源代码库。StarVLA 从三个方面应对这些挑战。
Embodied In-Context Learning with GPT-6 Astra
通用视觉语言模型为零样本机器人控制提供了一条有前景的途径：GPT-6 Astra 在开放式以及以语言或图像为条件的操作任务上表现出色，但在高精度和长时程任务上仍明显偏弱。我们提出 RoboICL，一个基于上下文的机器人控制框架，无需针对机器人的参数更新，也无需学习得到的 VLA，就能缩小这些差距。RoboICL 把示范上下文与交互记忆分开：前者在有示范时提供记录下来的示例，后者累积模型自己的动作及观察到的结果。两者使用共享的“观测—动作—回执—观测”语法。为了在任务各阶段之间保留经验，RoboICL 把采样得到…
Robot Learning via Action Dynamics, Not Actions
大多数机器人策略，无论是通过模仿学习（imitation learning，IL）还是强化学习（reinforcement learning，RL）训练，都把观测映射为离散控制步上的动作值，而把物理运动的连续性留给模型隐式学习。我们提出 ODE 策略（ODE policy），它学习的是动作的动态，而不是动作本身。一个神经常微分方程（neural ordinary differential equation，ODE）学习动作的向量场：在 IL 中，它让短动作块上积分得到的动作与目标匹配；在 RL 中则是在单个控制…
In-Context Structured Demonstration for Generalizable Vision-Language-Action Models
视觉—语言—动作（Vision-Language-Action，VLA）模型能够遵循指令并操作物体，但当场景、视角或物体与训练时不同时，它们在分布外（out of distribution，OOD）的表现常常会崩溃。适应每一种新情况通常需要收集更多数据并微调。我们提出 StellaVLA：一个通过以单条检索到的示范为条件，在测试时完成适应的框架。核心思想是不仅模仿专家做了什么，还要传达为什么这样做：自动化离线流水线以零人工标注成本，把每条原始轨迹转换成结构化示范，例如任务计划、子目标描述及文字化的三维运动。作为…