一台灵巧手在卧龙希尔工厂打 72 步螺丝要 8 分 30 秒，人工约 8 分钟。差 30 秒，看起来是 6%，但如果 98% 指的是单个动作的成功率，72 步串起来只有 23%。这个差别决定了「部署态」到底是不是已经到来。
三季度北美订了 10989 台机器人、7.235 亿美元，是今年最强的一个季度。同一张表里，食品与消费品行业退了 23.7%。还有一件事更值得注意：这张按行业、按机型分列的官方统计里，找不到「人形机器人」这一行。
十六个家务任务，三级累积难度，仿真与真机环境一一配对。同一个模型零样本跑下来：80.0%、47.6%、0.0%。真正值得记的不是那个 0，是仿真在真机之前就算出了这个 0。
同一个模型，LIBERO 上 98.5%，真机长时任务只有 73.0%。这两个数字的落差，比它比 π0.5 高 17 个百分点更值得看。而真正改变判断的，是一个只掉 0.7 个百分点的消融。
一场发布会能把机器人大脑从 GPT-2 以下推到 GPT-2 附近，但推不进客户的运营预算。野村给的五个数字里，有两个决定了这笔钱最终从哪本账上出。
62.5% 的成功率、比对照高 22.5 个百分点——这组数字本身不算炸裂。真正值得看的是它背后的 500 小时，以及被一起开源的那套采集硬件：人形机器人卡住的地方，已经从算法挪到了「谁来拍这些人干活」。
仿真里 89.4% 的成功率，搬到真实家庭只剩 12%：报告的冷水不止泼在能力上，还泼在运维账本和中标结构上。
发布不到两天的 H2-X 在合作伙伴大会上侧空翻失衡侧摔，右小腿从关节连接处脱落，官方至环球时报发稿未作说明。这台机器主打的恰恰是安保巡逻与应急救援——一个绕不开落地的场景。
约翰斯·霍普金斯与 MIT 的团队把触觉皮肤最难的部分——为每个新本体重新设计、标定、迁移——交给了自动化工具链。30 余款机器人的皮肤已经实测可用。
云深处一次性公布五项研究成果，覆盖世界模型、基础模型、智能体、策略优化与数据平台。数字很多，但真正决定这批成果含金量的不是任何一个模型分数，而是那条跑了 3294.7 公里的真实采集数据——它决定谁有权定义「更好」。
机器人长任务做不好，问题可能不在「手」也不在「脑」，而在「忘了自己做到哪一步」——一个 2700 万参数的外挂模块，用 2 毫秒的延迟换来了 65 个百分点的成功率。
一个人的工作往往决定一家公司怎么卖：Physical Intelligence 把「上传数据—托管微调—云端推理—评测回流」打包成 API 之后，三类公司的反应完全不同。真正卡住这条路的，不是模型能力，是国内的三道关。
通用大模型直接生成机器人动作，成功率 26%；让 VLA 出动作、大模型在旁边看着并随时纠偏，成功率升到 48%。OpenAI 宣布组建 OpenAI Robotics 团队的同一天，这组数字把「大脑该怎么接」的答案写得更清楚了。
一个「不做机器人、只做机器人大脑」的公司，落地时带走的是三样东西：年处理 10 亿条数据的产线、50 多款机器人的调试交付、以及一个对外开放的体验中心。地方政府买到的不是工厂，是这个产业的训练环节。
「补货到 3 瓶」这道小学算术题，机器人做不对的原因不是抓不起来，是不知道该先数还是先抓。智元第四期数据集把考纲换了——不再比手稳不稳，比的是现场条件变了以后，下一步该干什么。
苏黎世、成立七个月、12 个人、3000 万美元 pre-seed。Enact 的路线是绕开昂贵的指尖力传感器，直接从执行器里取力信号，再把已有的视频模型改成输出动作。但这篇公告里没有一项性能数据——这本身值得读一读。
无界动力发布并开源 7B 端侧基座 MWA-Phoenix，横扫 LIBERO-Plus、LIBERO-Pro、RoboCasa GR1、Bench2Dex、RoboTwin 2.0 与 RoboDojo 真机六个榜。但六条里最值得看的不是榜首数量，是那句「不使用深度信息传感器」——榜单的加法之外，还有一场传感器的减法。
Eka 不做 VLA，做 vision-force-action：视觉只负责「大概在哪」，最后 1 毫米的抓取靠力反馈闭环。1 小时 1500 次抓取、95% 成功率背后，是一条 500 万次的夹爪寿命——它用架构换来了泛化，也把耐久性问题原样留给了产线。
视频里那台 Figure 03 一直插着电源线。这一根线把整个测试的性质改掉了：它测的是机械与控制能不能扛住重复循环，不是机器人能不能自己干满一个班。真正该问的那个指标，发布里一个字都没提。
清华、原力灵机、极寰时代联合做的 LoopWAM 登上了真机榜 Table30 V2 的双榜首。但真正值得看的是它怎么涨的：不额外采专家数据、不上强化学习，把成功、次优、失败的 rollout 全部塞进视频预测训练。失败第一次在训练里有了位置。
一家做手的公司，把 300 小时带指尖触觉的操作数据按 CC BY-NC 4.0 放了出去。这件事的意义不在「最大」，而在它把触觉这一层从各家紧捂的私产，第一次摆到了公共货架上——同时也把「到底缺多少数据」这个问题量化了。
一台送餐机器人躲过了椅子、躲过了纸箱，撞在了转角探出来的行李箱上。它学会了「平均少撞点」，没学会「一次都不能撞」——这两件事之间，隔着一整套训练框架。
Thinker-WM 在三大具身世界模型基准全部登顶，技术卖点是把 RGB、深度、动作当成「同一个物理过程的三种表述」；但真正决定它上限的，是 3 万小时异构数据的编排方式。
一个 24 亿参数的 VLA 模型，用 32 个 register token 把「最近几帧发生了什么」缓存下来，在 LIBERO-Plus 上拿到 90.4%，单张 H100 上一个动作块 21.8 毫秒。这篇讲的是：当基准分数普遍上到 90 分之后，真正卡住落地的已经不是准确率，是时延和可见性。
十大关键词里排第四的那一条，把「实景实训」拆成了数据、场景、部署三段。三段里最硬的一句是「无本体数据成为规模化主力」——它意味着采集的瓶颈从「有没有机器人」变成了「有没有人愿意戴着设备干活」。
两天之内，两个权威口径给出了两组不相等的人形机器人半年出货数据。差额约三千台、增速差了一百多个百分点。比数字本身更重要的是报告给出的应用结构——能算作「真干活」的两项加起来只有 18%。
会跑会跳却干不了活，症结在于两个控制目标打架：要稳，手就晃；要手准，人就摔。这条路线给出的解法是把「小脑」和「大脑」分开做，再把末端误差压进 2 厘米这个及格线。
0.1N 的力控精度、日产能近万份的配餐线、每次抓取都预测一次整体稳定性的装卸模型——这三件事的方法论是同一条：泛化能力的训练素材，恰恰是那些不标准的样本。
Figure 在宝马磨了 11 个月才上规模，美国媒体看着急；同期国内上半年 322 笔、超 900 亿元的钱多半流向整机与零部件。这篇官方课题组的稿子，把路线差异归结到了资本期限上。
一个通用推理模型被直接接到机器人栈的四段流程上：控制、仿建、标注、自改进。最值得记的不是 87% 这个分数，而是它给出的「一张照片生成 4500 条仿真，真机成功率从 56% 提到 75%」这条链路。
三起事件的共同点不是「模型变坏了」，而是模型被授予了「执行」权限，却只被要求「不要执行」。对机器人来说，这条边界问题更尖锐——因为机器人手里握着的不是一张表单，是一条真实的动作。
站内 09-15 已经记过一次「RoboCasa365 登顶」，这次是第二次。两次都是企业自述。问题不在谁第一，在于这类「第一」缺少一个能验的东西：分数。
一场关于「人形机器人何时走进工厂」的圆桌，最后变成了一次现场募捐。王坚要的不是钱，是那些锁在抽屉里的产线数据——而这恰恰是最难开口要的东西。
仿真是 71.1%，第二名 64.4%；真机是 86.7%，最强基线也是 86.7%。前一组数字可以写进标题，后一组数字才是这条技术路线当前的真实水位。
一份融资稿顺手把四家关节模组厂商的产能与良率数字摊在了同一页上。把这些数字排成一列会发现，这个行业考核的东西已经不再是扭矩和精度，而是节拍、合格率和发货量。
一位在亚马逊做了 12 年 Alexa、从没管过机器人公司的人，成了波士顿动力的 CEO。人事变动本身不稀奇，稀奇的是董事会用这个人选回答了那个悬了三十年的问题：为什么这么先进的机器人赚不到钱。
一份分部估值报告最锋利的地方，是它把「已经挣钱的部分」和「还没量产的部分」分开标价。165 美元给车，335 美元给 FSD 和 Optimus——然后谁都看得见第二部分占了多少。
视觉失效时人形机器人怎么找路？TAPNAV 的答案是不找——伸手去摸，把「摸到墙」当成一次定位修正。它最值得抄的不是这个想法，而是它把触觉从「抓取的附属传感器」提升成了「规划的输入变量」。
一个说「我能提前算出多花一个数量级算力能换多少能力」，一个说「我的分数能被第三方榜单验」。世界模型要变成能用的工程资产，这两条腿缺一条都站不住。同一天两条腿都动了一下。
CRIS-0 拿出的不是更高的成功率，而是一组恢复时间：人手插入时 0.2 秒悬停，咖啡机被推走 2 秒内重规划并只修正受影响的阶段。这套东西卖的不是「更聪明」，是出错时知道该退回到哪一步。
一份对 1933 篇 IROS 2026 论文的多标签统计给出了六组数字：VLA 相关约 162 篇占 8.4%，明确涉及世界模型的只有 19 篇约占 1%，人形/移动操作约 89 篇占 4.6%。讨论热度最高的话题，论文数量最少——这个错位本身就是一条信息。
瑞银给出的总量是 4020 亿美元。把五个分项加一遍会发现一件事——人形机器人只有 400 亿，占不到十分之一；而 ADAS 加 Robotaxi 合计 1280 亿，是它的三倍多。同一个词底下，钱的落点并不平均。
英伟达被曝正讨论向 Figure 追加约 10 亿美元，投前估值约 380 亿美元。把时间轴摊开看，一年前那笔超过 10 亿美元的融资，估值是 390 亿。同一家公司、同一量级的钱、估值原地停了一年——这个细节比投资金额本身更值得读。
RL 微调会全局收缩行为，但对成功轨迹反而起到了多样化作用。作者把这一点变成显式目标后，仿真三个套件平均涨 2.0 到 5.3 点，双臂真机涨了 9.2 点。
一份当天上午发布的卖方研报，用「GPT-2 时刻」形容物理 AI 的当前阶段，同时给出一个很少出现在路演材料里的数字：部分公开多指灵巧任务成功率仍在 32% 到 44%。两个说法放在一起，才是它真正想说的话。
加演示的收益会递减，那么固定预算下该怎么采集？斯坦福这份工作的答案不是多采，是把每一轮的初始状态选在「已经失败过的地方」。
「人在开心、疲惫、难过时，走路的姿态各不相同。」把这句话变成模型，意味着要建模的不只是关节角度，还有情绪这一类没有物理单位的状态变量。这条路线的难点不在步态本身。
训练场让机器人模仿人类示范、批量产出标注数据；这所幼儿园让机器人在开放环境里自己试错、自己给自己发奖励。两条路线争的不是场地，而是「数据从哪来」这个问题本身。
跳舞、跑酷、半马、抓棍子，这些最火的演示其实都落在同一层——「快思」的那三层。一份控制栈五层分层图，能解释为什么机器人越会动，越不像「有脑子」。
世界动作模型的老毛病是「要预测未来就得把整段视频生成出来」，长任务上算不动。ProWAM 换了个做法：只预测一串稀疏的视觉子目标，一次前向把特征缓存下来，重规划时只跑轻量去噪。零样本真机从 55% 提到 70%。
IROS 2026 上有篇论文的思路反着来：模型不动、策略参数不改，只在任务开始前把环境里那几个「可能是失败原因」的物体挪开，真机平均成功率就抬了约 40 个百分点。真正值钱的是作者对「为什么只做最小干预」的解释——改得越多，越可能引入新的失败。
LeaP 把生成式机器人策略的起点从固定的标准高斯换成本体感知驱动的可学习分布，RoboTwin 15 项任务提升 25.5 个点、真机 Franka 提升 33.3 个点。但最有信息量的是那组三方对照：只学均值 78.0%，加固定噪声反而掉到 62.7%，均值加自适应方差才到 85.3%。
五大知识产权局口径下，今年上半年中国人形机器人专利占比 60.8%（2024 年还是 51.8%），机器人基础模型专利占比 66.3%；美国、韩国双双下滑。这份由在野党议员晒出、用来敲打本国政府的账本，比任何行业白皮书都诚实。
10 月 1 日一纸 MOU，把 Agility 与 FORT 的多年供应商关系升级成战略安全伙伴：挂坠、本体通信、离板安全桥三层架构首次摊开，Digit 5 的 2027 时间表也随之确定。安全正在从「本体属性」变成一门可以单独定价的生意。
UCI 与一家建筑公司合作，让一名操作员用 XR 控上身、踏板控移动，在 Unitree G1 上完成两个建筑任务：工具运输 100%、表面涂刷 80%。但摘要同时写明遥操作耗时显著高于人工。这两个数字必须一起读——论文自己也没把它写成「替代工人」。
银河通用系统性地测了 GPT-6 Astra 在六个域上当具身策略的表现：导航 92%、移动操作 38.7%、运动五次尝试零成功。但最该被抄下来的是延迟那一栏——一段 30 秒的仿真行走，要调 250 次模型、平均每次 39.86 秒，而且推理期间物理是暂停的。
Runway 发布 Praxis-1——它的第一个「世界动作模型」，用互联网视频做预训练，权重会开源。同一组实验里，网页视频预训练组微调后的放置误差是 16.1 厘米，遥操作机器人视频组是 16.0 厘米，Runway 自己说这个差距在报告的不确定度内并不显著。
Amazon FAR 联合伯克利、CMU、斯坦福提出 PRISM：从 4 段真人搬运视频生成 256 段反事实视频，训练出的单一策略零样本迁移到 Unitree G1 真机，只用机载深度。真正值钱的不是 64 倍放大，是它证明了不完美的重建也能用——前提是拿接触信号当共同约束。
两家机构说的都是「中国占全球人形机器人出货量的比例」，一家给 77.9%，一家给 97%，差出 19 个百分点。按这组数字反推，两家对「海外一共出了多少台」的估计差了大 约十倍——这才是这批报告的真正信息量所在。
六项富接触任务平均 70.6 分、压过最强基线 38.0 分——但真正说明问题的是那次消融：把世界模型的触觉潜变量换成原始触觉特征，四任务均值从 74.7 掉到 26.6。
IDC 说上半年全球出货近 2.5 万台，沙利文说销量 3.6 万台——差着 44% 的两本账同日发布，比数字本身更该看的是三处口径差和一处一致的上调。
全股票交易约 82 亿美元、AMD 史上第二大收购，李飞飞出任执行副总裁兼首席科学家——这不是买收入，是买「能展示自家硬件的世界模型工作负载」。
把规划器生成的路径点终点擦掉，任务成功率几乎不变——这篇论文用一次消融实验证明，很多分层 VLA 的执行器根本没有在用规划器的输出。真正的问题不是慢，是规划在整条链路上没有因果作用。
周产数百台是市场消息不是官方数字；但「瓶颈从制造转向 AI 泛化与电力供给」的口径搬家，比产量数字本身更有信息量。
只要 20–30 条在线力觉轨迹就能让预训练 VLA 学会反应式力控制，控制频率从 1Hz 抬到 10Hz——但 56.7 分这个绝对值，才是真正该盯的地方。
Simate-beta 以 33.95 分登顶 RoboDojo，超过 Liber-0 Preview（30.74）与 GPT-6-Astra（28.97）——但分维度看，它的开放任务得分不到 GPT-6-Astra 的三分之一，总分第一不等于全面领先。
VLM 只输出 11 个无参数动作词，解释器统一按 2 厘米步长落地——同一接口零样本驱动 Franka 与 AgileX；把命名约定拆掉，成功率从 100% 崩到 5%，接口本身就是能力。
在成功轨迹上注入扰动造出 13.1 万条失败样本，外挂 VLM 每 10 步巡检一次、接管纠正后归还控制权——OpenVLA 平均成功率提升 22.6%，失败检测率 90.9% 对通用大模型的不足 20%。
980 个程序、98,000 次评测，三种 agent 配置的平均成功率是 56% 到 95%。真正该读的不是那个 95%，是这段 39 个百分点的跨度——以及"推理时不再有 LLM 参与"这件事本身。
「机器人的核心瓶颈是几毫米的工作误差」「80% 陌生场景完成 80% 任务就是临界点」——王兴兴这次没讲产品讲判据，把行业流行语换成了可以考试的两道题。
一台机器狗一次充电跑完 42.195 公里，运输成本 0.25，第一次低于人类的 0.37。但比这个数字更有信息量的，是它两个月前在同一条路上跑到 37 公里就没电的那次失败。
理想 Foundation Model 团队连发四份技术报告，把具身智能系统 ME-Brain-1.0、统一世界动作模型 ME-U0、认知模型 ME-VLM 和触觉方案 ME-Dex-1.0 一次性交齐。指标全面领先的同时，第三方复看视频发现夹爪停顿与偶发抓取失误——这份「全家桶」的成色，要看两拨人的账怎么对。
Skild 让 S1 在仿真里和「近期的自己」踢了 140 年球。这个数字很抓人，但公告里真正有信息量的是三个限定词——累计、自博弈阶段、未量化。读懂这三个词，才知道这份成果处在什么位置。
特斯拉长三角审厂进入名单阶段，广发证券给出 5000 台一次性订单的研报口径，马斯克在同一天把 20 年预测抬到 1000 亿台。三层信息叠在一起，量产故事第一次有了可对照的反面账本。
不训练、不微调，只靠一个接口和一条演示，VLM 就能控制机器人。论文的头条是 73.6%，但真机两个任务 9/10 与 5/10 的 40 个百分点落差，才画出了这条路的天花板在哪。
IFR 说去年全球只卖了 7000 台，Counterpoint 说今年上半年就出了 2.2 万台，高盛把 2026 年预期放在 7.5 万台——同一个人形机器人市场，账本差了十倍。分歧不在数字，在「什么算一台」。
不用越狱，只是直接下指令，前沿模型就有 97% 照做、62% 真做成了。这份报告最狠的一句不是数字，是那句「把机械笨拙当成道德约束，是在制造虚假安全感」。
清华、无问芯穹、正行创新联合开源具身智能体基础设施 RPent：通用大模型做规划、VLA 做执行、记忆沉淀任务卡——一条与端到端 VLA 正面对撞的路线，今天给出了第一份可复现的开源答卷。
Hydra-0 把机器人动作从关节空间搬到像素空间，夹爪运动误差从 34.28 像素降到 3.29 像素。但同一份表格里，VLM 打分有一栏没跑赢基线——这个反差比 90.4% 更值得读。
第九届中国机器人峰会的现场争论（900 亿融资、泡沫论）本站 9 月 18 日已写过；9 月 20 日中国经营报的报道补上了峰会真正沉淀下来的东西——能力评测框架、出海五层框架和康养机器人协同平台。这三个产出物指向同一件事：行业正在为「验收」立规矩。
6B 参数、约 2500 小时真机数据、一个模型覆盖 64 项任务，具身推理底座拿下 7 项开源第一——这份成绩单真正的看点不在分数，而在开放清单分了四层：什么已经给了，什么还在计划里。
国内合规真机交互数据约 50 万小时，商业化需要数千万小时，缺口超过 99%；但同一份报道承认，数据「又难卖」。缺口和滞销同时成立，说明病灶不在小时数，在计价单位：客户要「工位验收」，训练场卖「小时数」，两边算的不是同一笔账。
1X 计划 2027 年出货 5 万台 NEO，两个基地规划年产能 11 万台。但 CEO 给出的真正约束不是产能——是「数据多样性」。他还说：约 99% 的训练数据会来自网络视频，且即将开跑的世界模型训练不会解决通用机器人智能。这三句话放一起，把具身数据的生意重新定义了一遍。
Figure 用 30 栋从没见过的房子测 Helix 2.5：Index 人类行为数据预训练把任务成功率从 8% 拉到 56%，背后是最高 60 亿美元的算力合同。家务这件事，正在变成数据基础设施的军备竞赛。
Google 向 Home 生态开放 MCP server，Claude、ChatGPT 等任何支持 MCP 的 agent 都能控制家里的灯和门铃。这件事的意义不在智能家居，在于 MCP 第一次跨出了代码与文档的边界，进入物理空间——但它给出的只是离散调用，不是机器人需要的连续控制回路。
Emergence AI 用 8 个并行 agent 世界、80 个 agent、16 天、85 万次调用做了一次长程安全压力测试，结论很硬：模型层面的对齐不具有组合性。对做多机协同的团队，这条结论比任何一份单机安全评测都重要。
GPT-6 Astra 发布不到两周，最先系统测出它具身能力边界的，是一支中国团队。报告里最值钱的不是 98%，而是那条被写死的纠偏边界：单臂修正不超过 5 厘米。
一份 2035 年的报告，最有价值的信息不在那两个被反复引用的十万倍，而在它明确区分了「变局」与「命题」——已经发生的，和还没解决的。
第二届世界人形机器人运动会的官方数据首次被研究机构系统性消费：2056 台参赛机器人背后，是 2026 年 5 万台出货预测和 2030 年 RaaS 商业机会的时间表。
约 90 亿参数的 ZDTaichu5.0-9B 在九大空间理解基准里拿了 8 项同参数组第一。但真正值得看的是分数分布：三维推演 78.27，跨视角 62.5，具身交互只有 48 和 56——从「看懂空间」到「在空间里行动」，差距被这几个数字量化了。
智博会现场，机器人装汽车零部件、缝牛仔裤口袋，热热闹闹；同一篇报道里，制造业负责人的账本却很冷：单台成本超 60 万元、缝纫效率只有熟练工的 60%、单托成品 100 公斤搬不动。把热闹和账本放在一起读，才能看清「进厂打工」这件事的真实现阶段。
具脑磐石在浦江创新论坛发布类脑认知世界模型 Cog-WM 1.0，用约 15.4 小时导航数据把成功率从 78.50% 提到 86.89%。但同期路径效率只涨了 0.65——「找到了」和「走得近」之间的这道缝，才是这份成绩单里最该被读的东西。
一个主智能体加三类子智能体，用图结构调度 VLA 和世界模型，再用三个 Markdown 文件管记忆——清华团队的 EMERGE-Policy 在真机纸杯实验里扛住了人为拆毁和尺寸扰动，成功率保持 85% 到 94%。这可能是「系统编排」第一次在具身智能里正面击败「单个大模型」。
深度机智 PhysBrain 1.5 的 8B 版在 28 项具身基准上拿 72.5 分，与 GPT-6 Astra 只差 0.8 分。但把 28 个基准名字逐个摊开会发现：它们测的都是「看图答题」的空间理解与规划，没有一项是真机操作成功率。这不是泼冷水，是搞清楚这个分数能兑换什么。
跑酷、导航、抗摔三件看似不相关的事，拼起来是一条完整的路线：中期训练、SFT、在线 RL 的后训练三段式，加上把偏好对齐做进全身控制——创始人姜旭来自 OpenAI RLHF 团队，这套打法是他履历的具身复刻。
一根悬在半空、几何稀疏的细杆，会把感知和全身控制一起卡死。苏黎世联邦理工让一台众擎 PM-01 跳上单杠、双手交替摆荡、再落地，15 次试验成功 14 次。真正值得记的不是这个动作本身，而是它证明了「不建地形图」这条路在非结构化场景里更对。
高盛科技大会上，黄仁勋把物理 AI 拆成三层递进：自动驾驶已到来，操作机器人还要几年，6G 要五年。「两年拐点」给行业一个时间锚，也给所有人一个必须回答的问题——凭什么。
一份把 MLLM 放进 240Hz 刚体仿真、让它真的去接滑落的盘子的基准。7 个模型测下来约三分之一突发危险处置错误，而且错误不随模型规模缩小——这条结论对「等下一代模型就好了」是直接的否定。
朱军团队发布《General World Models from First-Principles》，把世界模型从名词变成 L1–L5 五级可检验路线；同场发布的 Motus2 用 13 万小时人类第一视角视频加 100 小时机器人数据，把策略、模拟器、评估器装进同一套参数。
证券日报 9 月 11 日刊文梳理车百会研究：智能汽车与具身机器人核心技术栈重合度超 70%，供应链融合集中在电机、热管理、芯片、材料四笔账。车企做机器人的真实动机，是给存量竞争找第二曲线。
同一家机构把 2030 年机器人拣选市场从此前的 68 亿美元下调到 46 亿，但把料箱拣选的增速上调到 36%、卸车机器人上调到 64%。总量在缩、结构在换——对做仓储机器人的人来说，该换的不是信心，是细分赛道。
智元把联合训练数据从 300 小时拉到 3 万小时，G1-OP 零样本成功率从 17.1% 涨到 44.1%，且 5000→30000 小时仍未饱和。更值得看的是：训练数据占比不足 2% 的 G2-90D 也涨了 17.7 个百分点——跨本体迁移第一次有了真机数字。
Arm 首席架构师 Richard Grisenthwaite 推出与架构无关的能力描述框架，把机器人能做什么、需要什么运行环境、需要多少监督、给什么安全保证写进同一套词汇表。它不是新标准，但可能是第一个能跨厂商串起来用的。
机器人会说话之后，最尴尬的是手不知道往哪放。银河通用联合六校的 RoboGesture 把自碰撞帧率从 4.16% 压到 0.13%——这项研究真正的工程难点，不是让动作像人，是让动作不伤到自己。
光象科技与清华李升波课题组的 Phi-WM 1.0 ActEffect，让世界模型只在训练时上班、部署时退场。真正有意思的不是 80.3% 这个分数，是它的消融实验：去掉后果反馈，分布内只掉 1.8 个点，分布外掉 28.8 个点。
动态投掷 39% 提到 94%，给笔戴帽 8% 提到 83%，开箱 30% 提到 90%。三个数字都很硬，但它们不是这篇报告里最值得看的部分。最值得看的是那条 30%→20%→40%→90% 的非单调曲线，和「机器人错法变了」这件事。
深朴智能说它的 Omni-Simple-World 模型「预训练与后训练全程未使用任何一条真机数据」。这句话在技术上是成立的，但在传播上极其容易被读歪——它绕开的是机器人本体，不是真实世界。
智谱 GLM-5.3-Flash（中文圈称「牛来」）以约 1/40 的单价追平 Claude Opus 4.8 的智力指数，MIT 开源、原生多模态、跑在国产芯片上。对机器人仿真与专家 IP 内容降本很香，但限时价、速度和本地部署门槛三件事被原帖讲轻了。
行业吵了几个月的「VLA 还是世界模型」，在 2026 智源大会上被给出一个共识判断：世界模型不是 VLA 的竞争路线，而是 VLA 体系的核心组成部分。本文拆这个判断是怎么成立的，以及它对做落地的人意味着什么。
H2 Plus 全身 75 个自由度里，两只手占 44 个。智元的灵巧手子公司「临界点」估值突破 10 亿美元，单手 19 自由度、850 克。灵巧手正在从配件变成决定机器人能力上限的核心部件——这是 2026 年最容易被低估的一条线。
Physical Intelligence 的 π0.7 被称为机器人领域的「GPT-3 时刻」，关键词是组合泛化——模型见过「抓红杯」和「杯子烫就用夹子」之后，能组合出没练过的动作。它还首次把世界模型作为 Subgoal Image Provider 集成进 VLA。
