RFWorld：用免轨迹展开的世界模型评估端到端自动驾驶轨迹
作者提出 RFWorld，一种用于端到端轨迹评估的免轨迹展开世界模型，不再为每个候选轨迹递归预测未来状态。它构建共享场景记忆，通过训练时的轻量时序读出与语义监督形成可读未来表示，推理时候选轨迹以稀疏空间读出直接查询该记忆打分，计算量约降至规划时域与候选轨迹数之积的倒数，并避免递归展开误差累积。
关注价值：提出免轨迹展开的世界模型评分方法，为端到端规划降低推理开销提供了一条可比较的技术路线。
试运行：收录范围与分类仍在校准，更新可能延迟。
#论文/研究
arXiv 世界模型与脑机接口精选AI 评分6565 arXiv 世界模型与脑机接口精选AI 评分7676 PrimeSim：基于大规模跨本体演示的通用世界模型模拟器
作者提出 PrimeSim，一个以动作为条件、支持多视角的世界模型模拟器，先基于预训练视频生成器，在 22 个平台、30,110 小时机器人演示上做中期训练，再做后训练。
关注价值：论文给出多视角一致性、长时序稳定性和跨本体迁移的具体指标，可用于判断动作条件世界模型能否充当策略训练模拟器。
arXiv 世界模型与脑机接口精选AI 评分6262 3D World Simulator：混合粒子-体素动力学实现多模态 3D 世界模拟
作者提出 3D World Simulator，一个以动作为条件的多模态世界模型框架，从统一 3D 表示中同时预测外观、几何与触觉观测。该方法用混合粒子-体素自编码器把点云压缩为紧凑 3D 体素隐变量，再由动作条件隐动力学模型预测其演化，支持任意视角的几何一致渲染与空间对齐触觉信号接入。
关注价值：论文把外观、几何与触觉统一到同一 3D 表示中，读者可据此比较它与 2D 视频世界模型在空间一致性上的差异。
arXiv · cs.RO精选AI 评分6666 Archon Robotics 提出人形全身控制器 Anchor 1 并发布配套基准
Archon Robotics 提出面向精确稳定全身操作的人形控制器 Anchor 1，并配套发布覆盖多种全身协调需求的基准。该方法采用校准后的稀疏动作参考，不做在线关节空间重定向，以保留任务相关的人体动作结构；同时引入与动作编码解耦的显式误差反馈。
关注价值：该论文提出面向全身操作的人形控制器与配套基准，其真机跟踪误差下降幅度为评估控制精度提供了可对照的量化参照。
智元 News精选AI 评分7272 智元开源 AGIBOT WORLD 2026 第四版 Physical Reasoning 数据集
智元开源 AGIBOT WORLD 2026 的第四版数据集 Physical Reasoning，任务设计重点从操作难度转向决策复杂度。该数据集覆盖 10 类以上逻辑推理场景，围绕物体数量、遮挡关系、空间占用和任务进度四个因素，采集同一任务在不同状态与约束下的决策和执行过程，并分为 Easy、Medium、Hard 三级难度。
关注价值：数据集把同一任务在不同状态下的决策分支与执行轨迹成对标注，可用于判断高层决策与底层策略联合训练的可行性。
MIT News · Robotics精选AI 评分6767 MIT 提出 SANDO 轨迹规划系统，在未知动态环境中为无人机提供数学安全保证
MIT 研究人员提出 SANDO 轨迹规划系统，可在没有地图、存在未知移动障碍的环境中为无人机规划出数学上可证明无碰撞的飞行路径，成果发表于 IEEE Transactions on Robotics。
关注价值：该研究把未知动态环境下的避障安全从经验调参推进到可数学证明，并完成真机飞行验证。
光轮智能官方博客与公告精选AI 评分8282 光轮智能与 Hugging Face 发布 EgoSuite-Open100K 第一视角人类数据集首批 10 万小时数据
光轮智能与 Hugging Face 联合发布 EgoSuite-Open100K，包含 10 万小时第一视角人类数据，覆盖 1.5 万+ 任务和 1.5 万+ 采集场景，首批已上线 Hugging Face Hub，其余分批放出。
关注价值：数据集以 LeRobot v3 与 MCAP 格式开放，可用于评估以人类第一视角数据训练机器人策略的数据规模与标注取舍。
Physical Intelligence精选AI 评分7575 Physical Intelligence 提出 RLT 方法：用 RL token 让 VLA 数小时内在线强化学习精密操作
Physical Intelligence 提出 RL tokens（RLT）方法，在 VLA 上增加一个 RL token 作为紧凑接口，让小型 actor 和 critic 网络在机器人上实时在线强化学习，无需微调整个模型。
关注价值：RLT 把在线强化学习压缩到数小时真机数据内，为 VLA 在精密操作阶段的快速适配提供了一条可复用路径。
Physical Intelligence精选AI 评分8080 Physical Intelligence 提出 MEM 多尺度具身记忆，让 π0.6 完成十五分钟长任务
Physical Intelligence 提出多尺度具身记忆方法 MEM，为 π0.6 模型同时加入短期原始观测记忆和长期自然语言笔记，使模型能处理最长十五分钟的任务。
关注价值：多尺度记忆让 VLA 在十五分钟级任务上保持进度与纠错，为长程操作提供可复用的记忆设计思路。
Physical Intelligence精选AI 评分6666 Physical Intelligence 用机器人奥运任务测试 π 0.6 微调能力
Physical Intelligence 基于 π 0.6 模型微调，尝试 Benjie Holson 提出的“机器人奥运会”日常操作任务，在 5 类任务中 3 类达到金牌任务水平、2 类达到银牌任务水平，多数任务数据采集不足 9 小时。
关注价值：原文用第三方提出的日常操作任务清单检验π 0.6微调效果，并给出与无机器人预训练基线的对比，可据此判断通用机器人预训练对下游任务的实际作用。
Physical Intelligence精选AI 评分7676 Physical Intelligence 研究：VLA 模型随预训练规模出现人类到机器人迁移
Physical Intelligence 在研究中发现，视觉-语言-动作（VLA）模型随机器人预训练数据规模扩大，会出现从人类视频到机器人任务的迁移能力。团队用 π0.5 做简单的人机联合微调，把人类视频中的动作表示为 3D 手部位置，在 4 个仅由人类数据展示的泛化场景中性能提升约 2 倍，且未使用专门的迁移机制。
关注价值：该研究显示人类视频到机器人的迁移随机器人预训练数据规模扩大而出现，为降低真机数据依赖提供了一条可复用路径。
Physical Intelligence精选AI 评分8585 Physical Intelligence 发布 π*0.6：用 Recap 从经验中学习的 VLA
Physical Intelligence 发布基于 π0.6 的视觉-语言-动作模型 π*0.6，采用 Recap 方法结合示范、遥操作纠错与强化学习，在自主经验上训练后部分最难任务的吞吐量提升一倍以上、失败率可降低一半以上。
关注价值：原文给出三个真实任务上的吞吐与成功率对比，可据此判断强化学习与纠错数据对 VLA 可靠性提升的实际幅度。
已经到底了