行业趋势

浙大&上交等给机器人训练时遮住部分信息，双臂任务成功率提升超30%

双臂机器人同时读取多个相机画面和语言指令时，更多信息不一定带来更稳定的动作。上海创新研究院、浙江大学、上海交通大学、中国科学技术大学等机构提出M3：训练时随机遮掉部分模态通道，不改模型结构，也不增加大规模机器人预训练。三项真实长程任务中，平

京东&港科大等提出EchoWM：边走边生成720p画面、环境声和语音

在生成场景里向前走、转弯或绕着角色移动时，画面、环境声、音乐和对白同时延续。京东探索研究院、香港科技大学、北京大学、斯坦福大学等机构提出EchoWM，用连续导航信号控制720p视频，并联合生成与场景同步的音频。

阿里&港科广提出ReWorld：走出64秒再回头，AI世界仍记得起点

交互式世界模型跟随按键向前走并不难，难的是走远以后再回来，场景还要与起点一致。香港科技大学（广州）、阿里巴巴ATH实验室提出ReWorld，在64秒、384个潜变量的往返轨迹中，只保留固定12个视频块的缓存，仍能恢复开头看到的场景。

Adobe把6类视频生成编辑塞进一个模型，4步推理实现720p实时流式输出

同一个视频模型，既能从文字或图片生成画面，也能改角色、传递首帧编辑、转换已有视频和重新安排镜头。Adobe研究院、罗切斯特大学提出EditStream，把六类生成与编辑任务合进一套DiT权重，再将多步扩散过程压缩为4步自回归推理。论文评测中

作业帮提出Poly-InstructTTS，用自然语言控制1000多种语音情绪与风格

“压低声音，带一点犹豫，像在嘈杂房间里提醒同伴”，这类描述比“悲伤”“兴奋”标签复杂得多。作业帮提出Poly-InstructTTS，用开放自然语言同时控制情绪、风格、口音和副语言行为。团队从影视视听素材构建1000小时指令标注语料，覆盖1

同济&中科院让机器人看一张照片就找把手，覆盖473类物体

“拿住杯把”“按下按钮”“握住喷嘴”都要求机器人把一句自然语言落到物体的具体3D区域。以往方法常假设已经有完整点云和固定动作类别。同济大学与中国科学院提出AffordAny，从一张RGB图片出发重建物体，再根据自由文本定位可操作部位。自动管

NVIDIA把单段第三人称视频转成第一视角，补全镜头看不到的区域

把厨房角落的第三人称录像改成操作者头戴相机视角，镜头旋转幅度可能超过普通新视角合成的范围，身体和台面还会遮住大量区域。NVIDIA提出Grounded-Exo2Ego，从单段外部视频重建场景几何，再用物体级语义补全第一人称镜头中原视频看不到

南开&西工大等让视频模型省掉思维链，解码从4780毫秒降至130毫秒

视频模型做强化学习时，一组采样答案可能全都不够好，模型只能在一堆错误里挑相对高分者。南开大学、西北工业大学、中科院自动化所和南开深圳研究院提出OraRL，把每条人工标注直接序列化成一条“标准轨迹”，同时保留模型自己的探索。Video-ORA

南大&南开等测试实时视频助手：Gemini-3-Pro最高仅得66.4分

普通视频问答只要求模型看完片段再回答，实时助手的建议会改变用户下一步动作。南京大学、南开大学和滑铁卢大学联合构建OmniAssistBench，用连续视频片段测试模型能否记住历史、读懂手势、等待关键事件并在正确时间提醒。榜单中Gemini-

NVIDIA实测145个Agent Skill：文档检查过关，不等于运行有效

一个Agent Skill的说明文档格式完整、写得清楚，不代表模型会在真实任务中找到它、按对步骤执行并交付正确结果。NVIDIA提出ACES，把同一任务分别交给“有Skill”和“无Skill”的Agent运行，再计算Skill带来的边际增

IBM用2.56亿参数模型直接读表单，比Qwen2.5-VL小27倍、快5倍

一张表单里，“项目名称”对应哪段长文本、一个字段是否连着多个值，传统流程通常先OCR，再做实体识别与关系抽取。IBM苏黎世研究院和苏黎世联邦理工提出端到端方案，微调2.56亿参数SmolDocling，直接从文档图片生成键、值、边界框和连接

清华&上海AI实验室等让机械臂预判传送带，抓取完成数从23次增至44次

传送带上的物体不会等机械臂想清楚再进入抓取区。清华大学、上海AI实验室、哈尔滨工业大学和云深处科技联合提出ForeTime-VLA，把世界动作模型看到的未来压缩成训练信号，部署时只看过去八帧。三档速度的实机测试中，它完成44/90次抓取，π

佐治亚理工让机器人从失败中学习，叠杯成功率从40%升到90%

机器人模仿人类示范学会叠杯后，第一次操作失败通常不会让它自动变聪明：失败动作不能直接拿来继续模仿。佐治亚理工提出Q-Planning，冻结原有的数十亿参数行为克隆策略，只训练一个约10亿参数的价值函数。五轮实机自我改进后，叠杯成功率从40%

小米机器人学会先掂量再抓，陌生物体成功率达到83.4%

同样是纸杯，空杯需要轻捏，装满后又要增加抓力；外观相近的易拉罐，也可能因为重量不同而滑落。小米机器人团队提出ViTacPhys，让机械手在抓取时显式判断物体的质量等级、刚度和接触摩擦等级，再据此调整动作。真实抓取中，它在训练分布内物体上的总

人形机器人学会职业网球动作，上海AI实验室等让1.7米Atom实机发球

人形机器人把球打出去不算难，既保持职业网球动作风格，又在真实硬件上稳定击球更难。上海人工智能实验室、上海交通大学、诺亦腾机器人、越疆机器人等机构提出AdaPT，从转播视频学习发球与回合动作，并把策略部署到宇树G1和1.7米越疆Atom。

阿里通义提出ear-VAE2，高压缩音乐重建Mel误差降低19.4%

音乐生成模型通常先把波形压进连续潜变量，再在潜空间生成。压缩率提高后，高频容易消失，左右声道空间感变窄，相位也会出现不连续。阿里巴巴通义千问、莫纳什大学提出ear-VAE2，直接在复杂频谱上编码，并按频段分别修正幅度和相位。

浙江大学、蚂蚁等提出4DAnyone，一段随手拍视频重建动态人物

用手机随手拍一段人物视频，想得到能从任意方向观看的动态模型，单目画面缺少背面与侧面信息。浙江大学、蚂蚁集团、香港中文大学、香港科技大学等机构提出4DAnyone，先生成多视角一致视频，再把它提升为4D高斯泼溅表示。

上交大等提出ReCache，智能体工具调用KV内存减少92.43%

智能体每次回答前都要阅读天气、日历、搜索等工具Schema。工具组合或顺序一变，普通前缀缓存就难以复用之前的KV状态。上海交通大学、东方理工学院、西安交通大学提出ReCache，让每份资源独立编码，并只保留调用需要的字段与注意力路径。

清华、上海AI实验室等提出DECOWAM，四足机器人动作误差降21.7%

四足机器人装上机械臂后，摄像头会随底盘移动，手臂动作也会改变画面。清华大学、上海人工智能实验室、哈尔滨工业大学、云深处科技等机构提出DECOWAM，分别建模相机自运动、底盘和机械臂动作，再联合预测未来视频与控制。

浙江大学等提出Block3D，文生3D从25.71秒压到4.99秒

文本生成3D要么逐个预测形状Token，速度慢且前面出错后难以修正；要么反复更新完整3D表示，计算量随精度增加。浙江大学、加州大学伯克利分校、武汉大学等机构提出Block3D，把形状序列切成连续块，块之间自回归、块内并行去噪。