行业趋势

小鹏机器人把一段人类视频变成多种机器人训练经验

南洋理工大学、新加坡科技研究局、小鹏机器人和浙江大学等机构提出AnyWorld：不用成对拍摄人类与机器人示范，就能把一段第一视角人类交互重组为不同机器人本体、相机视角和场景下的机器人原生视频。生成数据随后用于RoboCasa GR1桌面基准

清华等让宇树G1边听边做手势，数据集覆盖300多类动作

清华大学、Galbot、北京大学和上海期智研究院等机构联合提出RoboGesture，让宇树G1人形机器人在听取语音时实时生成与内容相符的手势。团队同时建设了覆盖300多类动作的数据集，并把语音理解、流式动作生成和实体安全控制接成一套完整系

小米北大把视觉注意力计算砍到约六分之一，效果只差0.52分

视觉Transformer处理高分辨率图片时，全注意力要让每个图像Token与所有Token交互，计算量增长很快。北京大学、小米、香港大学等机构发现，全注意力中的不同注意力头会分别关注前景物体和背景，并据此设计Ariadne混合注意力。

视频生成模型还会看懂三维？把图像与深度当成连续帧

输入一张普通RGB照片，模型同时输出单目深度和表面法线。萨里大学、帝国理工学院等机构提出GeoNeXt，把预训练视频生成模型改造成统一几何学习器：原图是第一帧，深度与法线成为后续“几何帧”，三者沿同一去噪过程生成。

阿里让AI直接写出可编辑电商广告，设计图变成可执行代码

输入商品图、卖点文案和尺寸要求，模型不再输出一张难修改的扁平图片，而是直接写出可渲染的HTML/CSS广告。阿里巴巴、同济大学等机构提出CommerceVibe，让商品图片保持原样引用，文字以原生元素存在，运营人员可以继续换图、改字和调整布

四足机器人不抓也能搬椅子，接触引导让它先学会怎么碰

没有机械臂和夹爪，四足机器人也能用肩部、机身或腿接触椅子，把它推到指定位置。比萨大学、苏黎世联邦理工学院、英伟达等机构提出接触引导的多评论家强化学习方法，覆盖推箱、搬椅和开洗碗机三类非抓取移动操作任务。

314美元的五指机器人手来了，Aero Hand把真机和仿真一起开放

一只五指机器人手，16个转动关节由7个电机通过腱绳驱动，论文给出的整手重量为374克、物料成本为314美元。Chestnut Robotics、加州理工学院等机构推出Aero Hand Open，并把机械设计、仿真模型、强化学习环境和真机部

只记前11帧，阿里高德把长视频三维重建误差降约40%

长视频做三维重建，最直接的办法是让模型不断回看过去所有画面，代价是内存和计算随视频长度增长。阿里巴巴高德视觉团队提出ABot-Recon，只固定保留第一帧和最近10帧，就能连续估计相机轨迹、深度与场景点云。

一段旧视频也能换机位重拍，Manifold4D把平移误差最多降32%

拍好的一段单目视频，输入一条新的六自由度相机轨迹，模型就沿新机位重新生成画面。浙江大学、Manifold Tech、上海科技大学、剑桥大学等机构提出Manifold4D，处理视频换机位重拍时最容易出现的几何漂移和相机控制误差。

5500小时驾驶视频告诉法雷奥：先多训练，未必先堆大模型

同一笔训练预算，是把驾驶视频模型做得更大，还是让现有模型多看几遍数据？法雷奥AI与索邦大学的研究团队提出VATIX缩放研究，覆盖从100万到约90亿参数的视频扩散模型，并在最高5500小时驾驶数据上改变训练曝光量，得到一组面向固定数据池的缩

75.9%真实任务不是一句话说完，小米北大让智能体学会追问

智能体训练常把任务写成一条信息完整的指令，真实用户却会追加条件、改变方向，看到工具结果后再指出错误。对1.6万条真实会话的分析显示，75.9%包含两轮或更多用户发言，多轮会话的用户发言中位数达到10轮。

机器人只用20%数据反超全量基线，VLAct让新本体更快学会操作

一个机器人模型换到预训练阶段从未见过的人形本体，只用20%的下游轨迹就拿到49.5%的任务成功率，高于GR00T-N1.6使用全部下游数据时的47.6%。这项结果来自VLAct，一套把持续预训练重点从“继续堆机器人数据”转向“先把表示学好”

中科大等让人形机器人走完1.5公里：SOLO零样本穿越户外复杂地形

人形机器人走几级台阶并不罕见，难的是在长距离中持续处理台阶、斜坡、窄落脚点和感知噪声。中国科学技术大学、X-Humanoid、清华大学等机构提出SOLO，仅用胸前深度相机和本体感知零样本部署，完成1.5公里连续户外路线。

上交&BIGAI提出ASIL：软件智能体从截图点击转向结构化操作

软件智能体常靠截图理解界面，再模拟鼠标点击和键盘输入。上海交通大学、北京通用人工智能研究院提出Agent-Software Interaction Layer，即ASIL，用结构化JSON状态替代像素观察，用可执行语义动作替代坐标点击。

北理工提出ESRP：让机器人只看第一视角重排5400组房间

给机器人一张目标房间的俯视布局，它需要从第一视角找到家具、抓起、搬运并摆到正确位置。北京理工大学提出具身场景重排规划ESRP，并构建ESRP-Bench，包含超过5400组初始—目标场景和8200个物体。

字节&斯坦福等提出Ring Forcing：视频模型能记住分钟级历史

自回归视频模型按片段向后生成，人物或物体离开镜头几十秒后再出现，颜色、形状和位置很容易变化。斯坦福大学、北京大学、字节跳动等机构提出Ring Forcing，通过环形训练、历史压缩和稀疏位置编码，让模型使用分钟级远距离信息。

华为&清华等发布HUG-VIS：8400段视频同时测情绪、生成、克隆与抠像

同一个人物视频，既可以用来识别情绪，也可以测试视频生成、声音克隆和人物抠像。深圳大学、中科院自动化所、清华大学、华为等机构推出HUG-VIS，用8400段同步视频、音频、文本和透明度蒙版，把四类任务放在同一套受控素材上比较。

美团&北航等训练旅行规划智能体：最难任务GPT-4.1全约束通过率仅0.5%

用户只说“规划三天旅行”，没有主动填写酒店档次、饮食口味和景点偏好，智能体还能给出贴合个人习惯的计划吗？美团、北京航空航天大学、北京理工大学等机构提出Behavior2Trip，让模型从历史点击、收藏和预订行为中推断偏好，再调用工具生成行程

阿里等提出R2M-Bench：慢镜头不再冒充世界模型“记住了”

视频世界模型离开一个场景再返回时，如果新画面与第一次访问高度相似，常被解释为“记住了”。阿里巴巴、同济大学、上海交通大学提出R2M-Bench，指出模型只要几乎不移动，也能得到漂亮的绝对相似度。

复旦&CMU让激光雷达补全街景：只看1%体积也能生成稠密语义

车载激光雷达的一次扫描只占目标三维体积约1%，其余位置既没有几何信息，也没有类别标签。复旦大学、卡内基梅隆大学提出生成式语义场景补全GSSC，用一套离散扩散框架同时合成训练数据、从噪声生成完整场景，并修正已有模型的输出。