行业趋势

东大把秋叶原85条街搬进360CityArena，Gemini导航得分仅17.1%

东京大学团队提出360CityArena，用602段360度视频重建东京秋叶原的85条街道，为具身Agent准备了175项城市探索任务。环境保留商店招牌、路口、楼宇和密集街景，不是用简化3D模型搭的规整迷宫。

清华&北智院等提出SLIM-0.5B：小模型操控机器人，推理延迟压到60.6毫秒

复旦大学、北京智源人工智能研究院、清华大学和中国人民大学提出SLIM，一个只有0.47B参数的机器人操作策略。它不用大型多模态骨干每个控制步都重做开放域理解，而是学习与动作和状态变化紧密相关的紧凑潜表示。

阿里开源RynnValue：7000小时机器人数据，实机成功率从52.5%升至72.5%

阿里达摩院与湖畔实验室提出并开源机器人价值基础模型RynnValue。它用超过7000小时的多源机器人数据学习“当前状态距任务完成还有多远”，再把这个判断转成训练策略所需的稠密奖励。

南大&中国移动提出C2Dex，一段人类视频教灵巧手稳定抓物

人类视频数量巨大，但把其中的手部动作直接复制给机械手，常因手指数量、关节长度和运动范围不同而失败。南京大学与中国移动研究院提出C2Dex，从单目人类视频中提取稳定的物体接触关系，再把它迁移到机器人灵巧手。在DexYCB任务上，其宽松标准成功

小鹏机器人R2S-EGO让宇树G1学坐下，实机成功率从10%升至82.5%

让人形机器人学会一个动作，麻烦的往往不是动作本身，而是要把机器人搬到不同房间、不同位置反复采集真机画面。小鹏机器人与香港理工大学提出R2S-EGO：只用6次真实采集、共48个第一视角观测，再让生成模型补出策略可能遇到的画面，宇树G1的实机坐

摄像头一挪机器人就失手，ARGUS先把画面统一到同一机位

训练时摄像头在桌面左侧，部署时换到右侧，机器人可能把图像坐标误当成任务空间位置。伊利诺伊大学厄巴纳-香槟分校与哈佛大学提出ARGUS，先把任意视角转换成标准机位，再交给现有视觉动作策略。

机器人训练不再盲目堆视频：筛掉95%数据，成功率反而升至61.1%

东京大学、字节跳动Seed、香港大学、上海交通大学和清华大学团队发布SiMDex。它没有扩大机器人模型，也没有增加训练数据量，而是从约3200万段人类第一视角视频中筛出约149万段与目标动作相近的样本，再用于视觉—语言—动作模型后训练。

让机器人先学会看懂动作后的3D变化，实机成功率提高25个百分点

浙江大学、上海交通大学和上海创新研究院等团队提出Track4Action，把机器人演示视频中的3D场景变化变成训练监督。传统模仿学习通常只学习“下一步执行什么命令”，动作让物体、遮挡和相机视角发生了什么变化，并没有被直接写进标签；新方法在四

斯坦福中大让机器人看一次静态示范，学习抓移动物体

中山大学、斯坦福大学和东南大学团队发布DynamicManip，只用一次静态任务示范生成多种动态操作训练数据。与对照方法相比，系统在论文任务上的平均成功率提高18.4个百分点，策略查询延迟降低32.9%。

阿里通义把人类视频变成18561小时机器人训练数据

阿里巴巴通义千问、中国人民大学、上海科技大学、北京通用人工智能研究院和北京航空航天大学团队发布Ego2Robot，把人类佩戴相机拍下的第一视角操作视频转换为机器人训练数据。整套数据达到18561小时，覆盖15种机器人形态。

Gemini Robotics微调两轮，宇树G1三项任务最高成功率100%

加州大学伯克利分校、Google DeepMind和英伟达研究人员把Gemini Robotics On-Device部署到宇树Unitree G1上，只通过托管微调接口完成两轮闭环训练。三项实机操作的成功率分别升至100%、98%和96%

加州理工让宇树G1躲避球，20次投掷躲过19次

加州理工学院研究团队把一套名为PAC-MAN的控制方法部署到宇树Unitree G1上。研究人员从正面向机器人手掷20次球，G1躲过19次，没有摔倒，实机成功率为95%。

南洋理工等把真实家庭变成录制棚，150小时多模态数据给具身智能当燃料

机器人要学会做家务，先得看懂人是怎么做家务的。可现有数据要么来自脚本化的实验室演示，要么是网络上没有动作真值的视频，规模与真实感很难兼得。南洋理工大学 S-Lab 与 ACE Robotics 给出的思路，是把真实公寓直接改造成录制棚：一套

上交、阿里等提出EgoGenesis，合成第一视角视频把双臂机器人成功率拉到70%

机器人学操作，最值钱的画面来自它"自己的眼睛"：第一视角相机离夹爪和桌面最近，手与物体的接触关系看得最清楚。但这种数据恰恰最难收集——每条轨迹都要真机执行、人工重置、全程看护，失败还可能撞坏硬件。上海交通大学、阿里巴巴、天机芯智（Tianj

华盛顿大学&微软让LLM写代码控制机器人：失败可定位、指令可纠错

华盛顿大学、微软研究院和MIT的研究团队提出了ARCHITECT，把机器人策略获取当成一个交互式程序合成任务：LLM编码智能体合成模块化的机器人程序，调用一套感知与控制工具来操作真实机械臂。在Franka Panda机器人上的8个真机任务、

首尔大学先把机器人画进视频再预测未来，世界模型能适配未见过的机械臂

机器人世界模型通常直接接收关节或末端动作向量，再预测未来画面。换一台机械臂，向量含义和运动学关系都可能变化。首尔大学、RLWRLD团队提出RoFacto：先让控制器把命令变成名义轨迹，再把机器人几何渲染进相机画面，视频模型只学习物体如何响应

上海科技大学让机器人提前预演触觉，插接和剥离也能生成训练轨迹

机械臂把物体插进狭窄接口时，相机可能看不到接触点，真正决定成败的是压力、摩擦和细微位移。上海科技大学、InstAdapt团队提出ViTacWorld，让世界模型根据机器人动作同时预测未来画面和触觉反馈，再用生成轨迹扩充插接、剥离等任务的训练

杜克大学让机器人学会玩影子：21自由度机械手能做手语和动物表演

一只机械手在灯前摆动，墙上的影子可以拼出手势字母，也能模仿鹿、孔雀、鸭子和狼的动作。杜克大学团队让21自由度灵巧手学习“自己的关节怎么改变影子”，再从目标图片或视频反推机械手动作，把影子变成机器人的表达媒介。