深度机智发布物理基座模型 PhysBrain 1.5，8B 版本 28 项基准综合得分 72.5
深度机智发布物理基座模型 PhysBrain 1.5，其 8B 版本在 28 项具身空间智能与规划基准上综合得分 72.5，在参与评测的开源模型中排名第一。该模型以 Qwen3-VL-8B-Instruct 为基座，把语言回答、空间输出、末端执行器轨迹与未来 RGB、深度及机器人占用预测统一为离散 token，在单一自回归主干下联合训练。
试运行：收录范围与分类仍在校准，更新可能延迟。 最近内容更新：2026-11-04 17:28（北京时间）
#具身大模型
甲子光年AI 评分6969
Figure精选AI 评分7171 Figure 与 Nscale 达成战略合作，将在 NVIDIA Vera Rubin 平台部署最多 10 万块 GPU
Figure 宣布与 Nscale 达成合作，将在 NVIDIA Vera Rubin 平台部署最多 10 万块 GPU，首批部署计划于 2027 年下半年在得克萨斯州 Barstow 启动。
关注价值：Figure 与 Nscale 的算力合作披露了金额、GPU 规模与上线时间，可用于判断人形机器人训练侧的算力投入量级。
星海图官网新闻AI 评分5858 星海图与京东签署三年战略合作，机器人前置仓原型在WRC亮相
星海图与京东于8月22日在2026世界机器人大会现场签署三年战略合作协议，合作覆盖全渠道场景落地、产品销售、技术协同、供应链服务及工业市场拓展。同步展出的机器人前置仓以1:1实景原型演示可在线接单、全自动闭环履约，机器人自主完成订单理解、路径规划、商品拣选、撑袋打包与现场交付，现场实测场景成功率超99%。
众擎机器人官网新闻AI 评分5858 众擎在WRC首发具身智能引擎EngineAI Awaken，公布五层仿人脑架构
众擎机器人在2026年世界机器人大会上发布“仿人脑”具身智能引擎EngineAI Awaken，CTO李力耘首次系统阐释公司全栈具身智能技术路线与全新AI模型架构。
Skild AI Blogs精选AI 评分8383 Skild AI 发布机器人基础模型 S1，以视频演示实现上下文学习
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。
逐际动力新闻精选AI 评分6767 逐际动力发布 COSA 0.5，人形 VLA V³-0 升级全身移动操作能力
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。
LeRobot 官方 Releases Atom精选AI 评分6060 Hugging Face LeRobot 发布 v0.6.0
Hugging Face 的 LeRobot 发布 v0.6.0，包含多项破坏性变更：pip install lerobot 不再默认包含数据集与训练依赖，需按需安装 lerobot[training] 等扩展，最低 PyTorch 版本升至 2.7，GR00T N1.5 被 N1.7 取代。
关注价值：从依赖拆分、RL 栈重构到新增多个基准与策略，读者可据此判断升级迁移成本与新增训练能力。
Figure精选AI 评分7272 Figure 03 进入宝马斯帕坦堡工厂，执行排序上料物流任务
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。
信号与噪声AI 评分4040 破壳科技创始人许华哲：具身智能刚跑完第一公里，不等上市的人
破壳科技创始人、清华大学助理教授许华哲在播客对谈中称，具身智能目前只跑完“第一公里”，大规模数据来源、系统泛化与长期任务稳定执行等问题尚未真正开始解决。他认为行业相信 scaling law，但今天还没有真正“证明”它，VLA 也“还不够优雅”。
Physical Intelligence精选AI 评分8686 Physical Intelligence 发布 π0.7 模型，展示组合泛化与跨本体迁移
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。
信号与噪声AI 评分5555 千寻智能高阳谈具身智能的 GPT-3 时刻与泛化性指标
播客节目「北坡计划」邀请千寻智能联合创始人兼首席科学家、清华大学交叉信息研究院助理教授高阳，讨论具身智能即将进入的“GPT-3 时刻”，并从数据、模型到系统能力拆解这一判断的技术前提。时间轴显示，他称两年前预测需 5 至 8 年，目前的判断提前到 27 年，并认为评价具身模型今天最重要的指标只有泛化性。节目还提及他谈到一千万小时数据、6000 个人、几个月这件事中国有经验。
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。
Skild AI Blogs精选AI 评分6666 Skild AI 与 ABB Robotics、Universal Robots 及 NVIDIA 合作部署 Skild Brain
Skild AI 宣布与 ABB Robotics、Teradyne Robotics 旗下 Universal Robots 和 Mobile Industrial Robots 合作，将其 omni-bodied 的 Skild Brain 集成进这些厂商的机器人产品线，目标是在无需逐任务重新编程的情况下跨行业部署。
关注价值：Skild AI 与 ABB、UR、NVIDIA 的合作给出了通用机器人基础模型进入工业产线的具体路径与数据飞轮设想。
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7272 Physical Intelligence 提出物理智能层，合作方披露 π 0.6 真机部署数据
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。
Skild AI Blogs精选AI 评分9090 Skild AI 完成 14 亿美元 C 轮融资，估值超 140 亿美元
Skild AI 宣布完成 14 亿美元 C 轮融资，由 SoftBank 领投，NVentures（NVIDIA）、Macquarie Capital 相关实体和 Jeff Bezos（通过 Bezos Expeditions）参与。
关注价值：Skild AI 以超 140 亿美元估值完成 14 亿美元 C 轮融资，便于读者观察通用机器人基础模型的资本集中度。
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。