行业趋势

浙大等让轮腿机器人不用力传感器也会擦白板、开带闭门器的门

浙江大学、上海人工智能实验室、清华大学、云深处科技等机构提出FWBC-VLA，让轮腿机器人无需加装力传感器，也能估计接触强度并调整全身动作。系统用5000余条数据训练，在实机上完成擦白板和开启带闭门器的门；验证只覆盖这两类接触任务。

一个模型免训练完成多种视频编辑，FiVE准确率从58.95升到78.16

伊利诺伊大学厄巴纳-香槟分校团队提出EditVid，用一个免训练框架兼容指令驱动和参考主体驱动的视频编辑。它在FiVE上取得78.16 FiVE-Acc，对比免训练基线为58.95，用户研究总体偏好51.8%；优势来自论文选定任务和模型，不

清华、中科院等给机器人视觉补上物理结构，零样本成功率最高87.8%

中国科学院自动化研究所、清华大学、复旦大学、新加坡国立大学等机构提出GIFT，训练机器人策略时强制中间视觉特征保留几何、可操作区域和目标位置。三种配置在LIBERO-Plus零样本迁移中最高达到87.8%；实机结果覆盖论文设置的单臂、双臂操

港城大等把视频课改成知识地图，125段课程生成1079份视觉摘要

香港城市大学、苏黎世联邦理工学院提出KnowVis，把线性视频课程改排成概念图、知识单元和视觉摘要。团队整理10个学科的125段视频并生成1079份摘要，人体研究报告认知负担下降、学习与保持改善；样本规模有限，不能外推到所有课程和长期学习。

阿里通义把代码智能体轨迹还原成3.73万个环境，多轮成绩提升13.8分

阿里通义、清华大学提出Terminal-Universe，把代码智能体留下的一次性操作轨迹还原成可重复运行的终端环境。系统从公开轨迹构建3.73万个环境，训练Qwen3.5-27B后，单轮与多轮基准分别提升11.9和13.8分；恢复过程包含

英伟达只加约1%参数改造3D重建，单卡8小时收敛、轨迹误差降逾60%

英伟达、阳明交通大学提出Scal3R，专门修复长视频在线三维重建的累计位姿漂移。它冻结原有主干，只增加约1%可学习参数，单张GPU训练8小时，并把KITTI相对在线基线的平均轨迹误差降低超过60%；这个比例只对应论文比较设置。

微软亚研院等让一张图变成长镜头世界，绕一圈回来场景仍对得上

微软亚洲研究院、中国科学技术大学、清华大学等机构提出OctWorld，从一张图沿指定相机路线持续生成可探索视频。系统用动态八叉树保存三维记忆，重点处理长路径后重新看见旧区域时的空间一致性；论文展示的是离线作者实验，不能据此认定已经达到实时交

Adobe等让AI给生成视频查物理错误，304条缺陷解释了228条

Adobe Research、卡内基梅隆大学、佐治亚理工学院、东北大学等机构提出VeriPhy，逐条检查生成视频违反了哪项物理要求、错误出现在何时。149段核心视频含304条人工缺陷，它解释了228条，对比评测器为164条；同骨干直接提示也

美团等做出无掩码视频试衣，大动作遮挡也能保持衣服细节

美团、中国科学技术大学、南京理工大学、新加坡国立大学等机构提出BooM-VVT，让视频虚拟试衣不再需要用户提供试衣区域掩码。方法用图像级伪数据学习定位，并在大动作、遮挡和多视角条件下保持服装细节；成绩来自论文数据集与作者比较，尚不代表任意自

腾讯混元给世界模型装上双重裁判，三项指标超过GPT-5.5

腾讯混元、复旦大学、上海人工智能实验室等机构提出WorldReward，把世界模型的镜头动作执行和画面质量交给同一个奖励模型判断。它在760对人工标注视频上，三项偏好一致性分别比GPT-5.5高3.42、1.45和3.56个百分点；结果来自

北大联合MemoraX推出GraphMemix：以"证据森林"重塑多模态Agent的长期记忆架构

北京大学王选计算机研究所与MemoraX AI联合提出GraphMemix，将长期多模态记忆检索重构为查询驱动的“证据森林”组合优化，在四项基准上取得61.55%的平均Judge Accuracy。

DocIQ文档智能新突破！上海交通大学&合合信息打造文档图像质量“体检”模型

DocIQ 的价值不只在于提出了一个新的文档图像质量评估模型，更在于它明确了文档智能系统中的一个关键问题：文档图像不是普通自然图像，文档质量也不是单纯的视觉美学问题。

Meta等让扩散模型先猜长度再补代码：快1.82倍，通过率升4.8点

伊利诺伊大学厄巴纳-香槟分校、Meta联合提出PILL，让扩散语言模型补代码或文本时先预测缺口长度，再并行尝试附近候选。它在5种模型、8个基准上比最强基线快1.82倍，代码平均通过率提高4.8点、文本BLEU-2提高6.0点；结果不代表所有

ESP32视觉模型也能现场适应：只多花8.3毫焦，恢复93%收益

巴基斯坦国立科技大学、FAST-NUCES大学联合提出FORGE，让已经量化并部署到微控制器的视觉模型只靠前向计算适应模糊、噪声和光照变化。适配21层中的3层即可恢复93%的收益，在ESP32-S3上额外耗能8.3毫焦、耗时21.9毫秒；数

斯坦福等让野外动物视频变3D动作：一张图也能驱动可渲染动画

伊利诺伊大学厄巴纳-香槟分校、宾夕法尼亚大学、斯坦福大学、剑桥大学等机构联合提出Kirin，从野外视频重建四足动物3D动作，再按文字和图片生成可直接驱动网格的动画。项目展示了多物种动作和基线对比，降低动物动作采集门槛；效果仍受视频遮挡、重建

浙大让机器人少想多做：只在关键节点推理，也能守住长流程意图

浙江大学、上海交通大学、诺埃马特里斯、无尽人工智能等机构联合提出HINT，让机器人只在操作阶段切换时重新理解指令，随后用多视角定位和跟踪维持目标。框架在3项长流程任务、2种基础策略及多类未见变化中提高任务进展和端到端成功率；证据仍来自指定分

智元机器人等测14种机型：只加5%目标数据，迁移进展升13.4点

智元机器人、北京大学、中国人民大学、香港大学等机构联合提出ZETA，用14种保留机型研究视觉语言动作模型能否跨机器人迁移。仅在预训练中加入5%目标机型数据，平均任务进展就提高13.4个百分点，说明“完全没见过”和“预训练见过少量”必须分开报

DeepMind测了11万条3D轨迹：相机更多，跟踪却不一定更准

谷歌DeepMind、伦敦大学学院、牛津大学、苏黎世联邦理工学院等机构联合构建TAPVid-MV，收录284段序列、1142路标定相机流和109769条3D点轨迹。30多种基线仍远未解决任务，多视图跟踪器也不稳定优于单目方法；结论针对该基准

伯克利让达芬奇机器人双臂清创：成功率92%，每小时处理473个碎片

加州大学伯克利分校、直觉外科公司等机构联合提出MACAW，让达芬奇研究机器人用视觉伺服对准碎片，再以单目图像控制抓取深度。双臂设置在物理实验中达到92%成功率，平均7秒处理一个碎片、折合每小时473个；实验使用研究平台和仿真组织碎片，不能视

清华等把生成式视频压缩做到实时：码率少58%，720p跑到13帧

清华大学、哈尔滨工业大学（深圳）、北京大学等机构联合提出VoRTeC，用Wan2.1流模型的生成先验做超低码率视频压缩。论文报告其相对既有扩散式方案减少58%比特消耗，720p解码达到13 FPS、480p达到32 FPS；速度与画质结论来