行业趋势

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。

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。