试运行：收录范围与分类仍在校准，更新可能延迟。
智元发布具身基础模型 GO-3 Preview，基于自研 WRAM（World Reasoning Action Model）架构，统一任务理解、未来状态预测与动作生成，并称在 RoboDojo、RoboTwin、RoboColiseum 三项具身 AI 基准上排名第一，计划 2026 年底完全开源。
关注价值：GO-3 Preview 把预训练、后训练与部署后学习串成一条链路，并给出三项基准排名与开源时间，可供判断具身基础模型的训练范式走向。
智元在 2026 创新日上提出 Worken 机器人生产力框架，以活跃机器人数、自主工作小时数与产出效率比三项相乘衡量有效智能工作时长。公司同时发布第三代人形硬件架构 AHA3，集成运动、交互与作业智能的硬件基础，并包含 OmniHand 3 系列灵巧手与 OmniPicker 3 触觉夹爪。
关注价值：智元一次性公布硬件平台、基础模型、操作系统与部署案例，其中 Worken 指标框架提出按自主工时和任务产出衡量机器人价值。
MIT 教授 Pulkit Agrawal 与前 Google DeepMind 研究员 Tuomas Haarnoja 创办的 Eka Robotics 完成 1.5 亿美元 A 轮融资，由 a16z 和 F-Prime 领投，投后估值 14.5 亿美元。
关注价值：Eka 以视觉-力-动作模型和仿真强化学习路线拿到 1.45 亿美元 A 轮，读者可据此比较力觉路线与主流 VLA 路线的分歧。
Physical Intelligence 于 10 月 13 日发布 Pi API beta，开发者可上传数据、在官方托管的算力与基础设施上微调 π 系列模型，并通过托管网关调用微调后的模型做推理。
关注价值：原文披露了托管微调与推理的完整流程和早期合作方迭代周期，可据此判断机器人基础模型的分发方式变化。
Figure 发布 Helix 2.5，称其在 30 个未采集过数据的湾区家庭中零样本完成整理客厅、折毛巾、铺床三类全身任务。消融实验显示，在任务数据、架构和评测固定的情况下，仅 Index 人类行为数据预训练就把零样本成功率从 9% 提升到 56%；任务适配数据量为 Helix 02 同类行为的一半。
关注价值：Index 预训练单独把零样本成功率从 9% 提到 56%，给出了可复用的数据规模与迁移效果关系。
Skild AI 发布旗舰机器人基础模型 S1，该模型以视频演示作为任务提示，无需微调即可执行未见过、时长最长约 10 分钟的操作任务。官方称在 100k 小时预训练数据下，S1 在未见任务上的成功率为 66%，语言提示的 VLA 基线为 9%；在已见任务上 S1 达到 96%。单次演示的上下文学习效果约相当于 380 条后训练示范，后者需 50–100 小时遥操作采集。
关注价值：S1 用视频演示替代语言提示，并给出从 1k 到 100k 小时预训练数据的对比曲线，可供判断上下文学习路线与 VLA 路线的分歧。
逐际动力发布机器人 OS COSA 0.5，其中 VLA-tools 层 V³-0 运行在 43 自由度的 LimX 人形机器人 Oli 上，统一移动与操作，可完成行走、弯腰及单手或双手操作。
关注价值：逐际动力披露 V³-0 在 43 自由度 Oli 上的全身移动操作与人类在环真机强化学习闭环，可观察人形 VLA 的工程路线。
Figure 03 已抵达宝马集团斯帕坦堡工厂的 52 号车间，首次演示在制造环境中执行物流工作流。Figure 称上一代 Figure 02 去年在宝马参与了 3 万辆汽车的装配，Figure 03 此次从钣金取放转向更复杂的排序上料任务，由自研 pixels-to-actions VLA 模型 Helix 02 协调手、臂、躯干和脚，在迈步调整身体的同时抓取薄壁零件并拉动带脚轮的重载金属推车。
关注价值：Figure 03 在宝马工厂从取放件转向排序上料，展示了移动与操作耦合的物流任务，可据此判断人形机器人在汽车产线的任务复杂度边界。
Figure 演示两台搭载 Helix-02 的人形机器人在不到两分钟内协同整理卧室，完成开门、挂衣、收纳耳机、合书、倒垃圾、推椅入桌和共同铺床等任务。两台机器人运行同一个学习得到的视觉-语言-动作策略，彼此之间没有共享规划器、消息传递或中央协调器，各自通过自身摄像头读取场景并从对方动作推断意图。
关注价值：原文展示了单一学习策略在无中央协调下完成双人形机器人协同整理房间，可据此判断多机协作路线的进展。
逐际动力开源 FluxVLA Engine，一个打通数据处理、模型训练、仿真评测到真机部署全流程的标准化 VLA 工程底座。该框架以统一配置文件和模块化标准接口管理全流程，支持 Qwen、GR00T、Pi 全系列及 DreamZero 等模型，接入 Isaac Sim、LIBERO 仿真器，并兼容 UR 机械单臂、ALOHA 双臂和自研 TRON 2 等硬件。
关注价值：逐际动力把数据、训练、仿真到真机部署的链路做成统一配置的开源底座，读者可据此判断 VLA 工程门槛的变化。
Physical Intelligence 发布通用机器人模型 π0.7，称其在泛化能力上出现跃升。该模型通过任务语言、速度与质量元数据、控制模态标签和视觉子目标等多模态提示统一利用不同机器人数据、人类视频与自主数据，单模型在叠衣物、做浓缩咖啡、折箱子等任务上达到或超过经 RL 训练的 π*0.6 专用模型。
关注价值：π0.7 把多模态提示统一为一个可控接口，读者可据此判断机器人基础模型的泛化路线是否真在向 LLM 式组合能力靠拢。
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 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 提出把通用机器人基础模型做成可复用的物理智能层，让开发者像调用 LLM API 一样构建机器人应用。
关注价值：两家合作方给出真机部署数据，可据此判断机器人基础模型作为通用智能层的实际成熟度。
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。
逐际动力推出多形态具身机器人 TRON 2，一个本体可切换双臂、双足、双轮足三种构型，并支持人形、四足等形态重构，售价 4.98 万元起，即日起开放预订。双臂为 7-DoF 类人构型，臂展 70 cm，双臂负载 10 kg、机身极限负重 60 kg，适配 Pi 0.5 及 ACT，并围绕餐品制作、桌面清理等 10 个家庭操作任务提供数据集、模型训练及算法部署示例。
关注价值：TRON 2 把双臂、双足、双轮足收进一个模块化本体，并给出 VLA 任务示例与部署工具链，可作为判断通用硬件平台路线的样本。
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 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。