行业趋势

视频里手被挡住也能追踪，南洋理工等提出DreamHand，误差最高降61%

第一人称视频中，手经常被物体挡住，甚至短暂伸出画面。南洋理工大学、香港中文大学、上海交通大学、ACE Robotics等机构提出DreamHand，把视频扩散模型当作确定性几何编码器，用完整片段恢复连续双手3D轨迹。

小米汽车、复旦等实测41种方案：机器人隐式动作到底什么最重要

机器人视频很多，带精确动作标签的数据却很少。小米汽车、复旦大学、清华大学、武汉大学等机构联合发表这项系统实证研究：在统一框架中比较41种隐式动作模型设计，追踪哪些选择真正改善下游操作，而不只让视频重建指标更漂亮。

微软、清华等发布VGI-Bench：最强视频模型视觉推理仅得51分

让视频模型把绳结解开、让齿轮按规则转动，或沿迷宫走到出口，画面好看不等于过程正确。微软研究院、清华大学、麻省理工学院、伊利诺伊大学厄巴纳-香槟分校等机构提出VGI-Bench，用27项任务、810个实例测试视频生成模型能否通过连续画面完成视

腾讯混元、复旦等提出WithEveryone，10人群像身份覆盖率达97.3%

给出多张人物参考照，再要求AI把所有人放进同一张合影，人数一多就容易漏人、重复或贴上一张原脸。腾讯混元、复旦大学、香港大学联合提出WithEveryone，把身份、位置和姿态先做成结构化计划，再据此生成最多包含10个指定身份的群像。

华盛顿大学等提出SPADE：让智能体自己编环境，工具调用提升13.9分

固定训练题库会被智能体逐渐做熟，继续强化学习只是在重复已经会的任务。华盛顿大学、斯坦福大学、卡内基梅隆大学、麻省理工学院等机构提出SPADE，让同一个模型同时扮演“环境设计者”和“推理智能体”，生成可执行环境并随学习进度调整难度。

字节Seed、清华提出Open-MOPD：多教师能力恢复率升至83.4%

把数学、代码、指令遵循等多个强化学习专家蒸馏到一个学生模型，短答案任务可能先停滞，长答案领域却持续占用大部分Token更新。清华大学AIR、字节Seed提出Open-MOPD，在SmolLM3-3B-Base的受控实验中，把相对路由专家集合

小红书、上交提出SkillGate：9B智能体成功率从40.8%升至53.2%

智能体先选对一个Skill文件，后续执行却失败，普通结果奖励会连同正确选择一起惩罚。上海交通大学、小红书提出SkillGate，把“选哪个Skill”和“拿Skill完成任务”分成两条互不重叠的信用通道。五项智能体基准上，9B策略的试验成功

清华等做了4000条视触觉演示，让机器人分清软面包和硬物体

机器人把面包放到目标位置，并不代表任务真的成功：抓得太松会滑落，抓得太紧会把软物体压坏，外部相机有时看不出两者差别。拓境智能、清华大学、卡内基梅隆大学等机构提出SoftVTBench，收集4000条视触觉演示，专门评估可变形物体操作中的形变

同一个GPT-5 mini只换操作界面，成功率从83.1%跌到48.9%

GPT-5 mini操作同一批网页组件，只把观察与动作方式从无障碍树换成纯截图坐标，任务成功率就从83.1%降到48.9%。杜克大学、亚马逊AGI旧金山实验室提出ComponentBench，把按钮组、筛选表格、拖拽和富文本编辑器等97类组

南京大学、vivo提出ReX-Shot：一张照片重选机位和焦距

照片已经拍完，还能向左换机位、拉长焦距、调高曝光，并让同一物体在所有新视角里保持一致。南京大学、vivo提出ReX-Shot，从一张参考图同时控制视角、连续焦距和色温、曝光、饱和度等摄影参数，论文系统达到接近实时的交互速度。

Meta等用无创脑信号解码完整句子，平均词错误率降至39%

九名参与者听到句子后在键盘上输入，脑磁图设备连续记录大脑活动。Meta AI、巴黎高师、法国国家科学研究中心等机构据此训练Brain2Qwerty v2，在不植入电极的情况下解码自然句子，跨参与者平均词错误率达到39%。

迪士尼让AI鼓手跟着任意音乐演奏，鼓槌落点精确到厘米级

给系统一段真实音乐，它要决定什么时候抬手、哪根鼓槌打哪面鼓，还要让肩膀和躯干看起来像人在演奏。迪士尼研究工作室、特拉维夫大学、苏黎世联邦理工提出一套音频驱动的扩散模型，把身体自然度和鼓槌落点精度分开优化，生成动作可达到厘米级落点控制。

人形机器人踩空也能站稳：GigaBrain跌倒恢复率99.3%

人形机器人按着坐椅指令下蹲时，椅子可能已经被移走；踢腿动作也可能让自己的四肢互相碰撞。GigaBrain-WBC-0.5把动作、下一时刻身体状态和下一条可行动作分布放进同一个因果Transformer里，让控制器在执行前识别不合理指令并收回

英伟达ADEPT训练灵巧手：五次实验全部闯到最高难度

五指机械手要完成插销，得先找到物体、抓稳、在手中调整方向，再把它对准孔位。英伟达、密歇根大学提出ADEPT：先用通用“物体重定向”任务预训练，再用一套稳定后训练方案学习具体操作。论文的Kuka-Allegro插销实验中，五个随机种子全部训练

UCLA等让人形机器人边走边抓：15万条仿真轨迹训练，实机成功率73.3%

让人形机器人走到陌生目标前、保持平衡并伸手抓取，需要把视觉导航、全身控制和操作连在一起。加州大学洛杉矶分校、艾伦人工智能研究所、华盛顿大学等机构提出FetchMan，在超过15万个仿真场景中训练，并把策略零样本部署到真实宇树G1。

清华&长城汽车等提出SPVC：修好跨数据集驾驶视频里的结构错位

自动驾驶仿真把相机移到训练轨迹之外，3D高斯溅射生成的道路、建筑和车道线容易变形；向场景插入车辆后，前景还可能与背景错位。清华大学人工智能产业研究院、浙江大学、长城汽车、上海交通大学等机构提出SPVC，用一套两阶段视频扩散模型修复跨数据集驾

腾讯发布CoinVE-200K：一条指令同时改人、物和背景，视频最长201帧

把人物外套换色、在肩膀上加一只鹦鹉，再替换背景，现有视频编辑数据通常会把三项操作拆成三个样本。腾讯发布CoinVE-200K，把2至5种原子编辑组合进同一条指令，目标同时覆盖人物、物体和背景。

不用标准答案也能练推理？字节等提出Co-RL，多智能体互评最高提升8.6%

没有标准答案时，让模型给自己打分很容易把原有偏见越练越强。埃克塞特大学、字节跳动、约翰斯·霍普金斯大学、加州大学圣迭戈分校等机构提出Co-RL，让多个不共享参数的模型互相提供强化学习奖励，并用不同模型家族、规模和训练样本降低共同犯错。

人类撤掉方法指导，AI科研得分近乎腰斩：清华等发布ASI-Bench

给AI完整实验路线时，它能沿步骤执行；只给研究问题，让它自己决定方法，成绩迅速下滑。清华大学、麻省理工学院、哈佛大学、微软研究院等机构发布ASI-Bench，用60项项目级任务测试AI探索未知、选择方法并产出可验证结果的能力。

华为&港中大提出LEGO-RL：不改智能体框架，SWE-bench最高提升9.4个百分点

编程智能体在真实仓库里会压缩上下文、反复调用工具、重启环境，训练器很难精确知道哪些Token由当前策略生成。华为、香港中文大学提出LEGO-RL，在不改动Agent内部控制流的前提下，把OpenHands SDK、Claude Code和O