EAI Awesome Work | WAM 工业化加速，VLA 微调范式觉醒

EAI Awesome Work | WAM 工业化加速，VLA 微调范式觉醒

本周 arXiv 的 56 篇新论文 + 7 月存档中的重磅工作，传递了一个清晰的信号：具身智能的焦点正从「做大模型」转向「做好工程」。GigaWorld 把 WAM 推理压到 85ms，ASPIRE 让机器人自己写代码迭代技能，Anchor-Align 正面解决 VLA 微调中的表征退化——这些不是换更大的 backbone，而是把技术栈的每一层都夯实。

我们精选了10 篇核心工作，分四个方向拆解。末尾附本周行业动态。

WAM 工业化加速

WAM 不再只是概念。这周最漂亮的信号是 GigaWorld-Policy-0.5：推理压在 85ms，实验参数用 AI agent 自动搜索，架构上把视觉建模和动作生成彻底解耦。

GigaWorld-Policy-0.5：85ms 推理的更快更强 WAM

链接

GigaWorld Team | 26 位作者

一句话：WAM 的工程化里程碑——Mixture-of-Transformers 架构分离视觉动态和动作生成，推理时只激活动作分支，RTX 4090 上跑 85ms。

WAM 依靠"预测未来画面"来提供稠密监督，但推理时显式生成视频太慢。GigaWorld 团队的做法很直接：训练时用未来视觉动态，推理时只做动作解码。v0.5 版本在前作基础上做了三处升级：（1）混合 AC-WM/WAM 预训练策略，增强视觉动态与动作的耦合；（2）Mixture-of-Transformers——视觉 expert 和动作 expert 独立运作，推理仅需激活动作分支；（3）AutoResearchagent 自动搜索超参配置，省去人工调参。

指标

数值

推理延迟（RTX 4090）

85ms

调参方式

AutoResearch agent 自动搜索

️研发团队：GigaWorld Team（与 PhysClaw 共享核心团队）
代码/项目页：未公开

Mixture-of-Transformers 设计，视觉 expert 和动作 expert 分离 + 推理时仅动作分支激活

RoboWorld：给通用机器人策略"自动阅卷"

链接

Byeongguk Jeon 等

一句话：视频世界模型不仅能做规划，还能做评估——RoboWorld 与真实机器人评分的 Pearson 相关系数高达 0.989。

核心创新Step Forcing解决了自回归 rollout 中训练-测试失配问题。结合 VLM 的任务进度评分，为通用策略的大规模评估提供了一条不需要真机的路径。Pearson r = 0.989，Spearman ρ = 0.970。

️研发团队：未列出机构
代码/项目页：未公开

VLA 微调方法论觉醒

这周最统一的发现：BC 微调会让 VLA 丢失预训练的语义表征。两篇重磅论文给出了互补的解法——从表征层面和从权重层面。

Anchor-Align：双锚定阻止 VLA 微调退化

链接

Dwip Dalal, Shivansh Patel 等 | UIUC / UNC Chapel Hill 多校联合

一句话：BC 微调时，预训练 VLM 的视觉-语义表征被逐步覆盖，导致泛化崩溃。Anchor-Align 用「蒸馏锚定 + 语言-动作对齐」正面解决，真实机器人成功率 28%→54%。

两个关键设计：Vision-Language Anchoring从冻结 VLM 逐层蒸馏表征；Language-Action Alignment将动作目标离散化为运动方向标签，与语言预测在同一观测上联合训练。

设置

基线

Anchor-Align

xArm7 真实机器人（A）

28%

54%

xArm7 真实机器人（B）

37%

60%

OOD + 长程控制

一致提升

️研发团队：UIUC / UNC Chapel Hill
代码/项目页：未公开

VL Anchoring（冻结 VLM → 蒸馏）+ LA Alignment（动作→离散方向标签）并排结构

Domain Arithmetic：一条 demo 完成 VLA 环境迁移

链接｜ECCV 2026

Taewook Kang 等

一句话：换个摄像头、换个机械臂，VLA 就废了。DART 只需一条演示，通过权重向量的"加减法"完成域迁移。

核心思路是将域特定信息编码为权重向量中的方向成分，然后做子空间对齐过滤噪声。在视觉迁移和 embodiment 迁移的 one-shot 场景下均优于现有方法。入选 ECCV 2026。

️研发团队：未列出机构（ECCV 2026）
代码/项目页：未公开

源域权重 + (目标域 − 源域) → 目标域权重

操控自主化：从人教到机器自己练

本周操控方向的密度极高。ASPIRE 实现了技能自主闭环，CHORD 解决了灵巧手的核心难题，WANDA 和 PhysClaw 从数据生成和执行保障两个维度补全了拼图。

ASPIRE：让机器人自己写代码、诊断失败、积累技能库

链接

Runyu Lu 等 | Stanford · NVIDIA · UC Berkeley · CMU

一句话：本周最让我兴奋的工作。ASPIRE 是一个持续学习系统，机器人在 code-as-policy 框架下自主编程、执行、诊断失败、修复、把技能存进库——真正的「自己教自己」。Jim Fan 和 Yuke Zhu 在作者列。

三个组件形成闭环：闭环执行引擎暴露细粒度多模态轨迹，支持自主故障诊断和修复合成；技能库将验证后的修复蒸馏为可复用知识；演化搜索生成多样化任务超越单轨迹优化。

Benchmark

基线

ASPIRE

LIBERO-Pro（扰动）

+77%

Robosuite 双手交接

+72%

BEHAVIOR-1K 长程

+32%

LIBERO-Pro Long（零样本）

4%

31%

此外，仿真技能已实现跨 embodiment 的 sim-to-real 迁移。

️研发团队：Stanford / NVIDIA / UC Berkeley / CMU 梦幻阵容
代码/项目页：未公开

闭环执行 → 技能库积累 → 演化搜索 → 循环执行，以及技能跨任务复用示意

CHORD：让灵巧手从人类演示中提取"力"的意图

链接

Xinghao Zhu, Zixi Liu 等 20 位 | NVIDIA + 多校联合

一句话：灵巧手的核心不是轨迹，是力。CHORD 把人类和机器人运动都映射到「物体接触力/扭矩空间」做对比，4,739 个任务上平均成功率 82%。

核心创新是以物体为中心的接触力空间引导（Contact Wrench Space Guidance）：度量人与机器人对物体施加的力/扭矩的相似性来引导 RL 训练。在 1,831 个评估任务上平均 **82.12%**，泛化到全身操作 **90.77%**，开环+闭环 sim-to-real 均验证成功。这可能是当前灵巧操作领域最大规模的系统验证。

指标

结果

Benchmark 总任务

4,739

平均成功率

82.12%

全身操作

90.77%

Sim-to-Real

✅ 开环+闭环

️研发团队：NVIDIA + 多校联合
代码/项目页：未公开

人手运动 → 物体力/扭矩空间 → 机器人策略学习的 pipeline

WANDA：一条 demo 开出万千训练场景

链接

Lingxiao Guo, Huanyu Li, Guanya Shi | CMU

一句话：移动操作的数据瓶颈怎么破？WANDA 从一条真实 demo 出发，用高斯重建 + 空间重排 + 跨场景 3D 合成，自动生成无限多样的训练数据，且支持跨 morphology 零样本部署。

WANDA 的思路是"最大化每条 demo 的价值"：重建 3D 高斯 splat 场景作为世界基底 → 重排交互片段到广阔空间 → 跨环境合成 → 逼真观测渲染。做到了长程鲁棒性 + 空间泛化 + 跨环境泛化三合一。

️研发团队：CMU（Guanya Shi 组）
代码/项目页：未公开

单条 Demo → 高斯重建 → 空间重排 → 跨场景合成 → 策略训练

PhysClaw-0：用人话修正机器人，说过就不再忘

链接

Boyuan Wang 等 | GigaWorld 核心团队

一句话：遥操作的痛点——同一类错误要反复提醒操作员纠正。PhysClaw 用自然语言修正 + Corrective Memory 存储，同一个坑只填一次。人类工时降到遥操作的 16%。

自主采集循环在重试预算耗尽时才请求远程操作——LLM 将自然语言指令映射为结构化调整存入记忆。语言修正把单次成功率从 12.5% 拉到 47.5%，微调的策略匹配遥操作训练的成功率，但人类成本仅为零头。

指标

修正前

修正后

平均单次成功率

12.5%

47.5%

人类工作时间

100%

16%

️研发团队：GigaWorld 核心团队
代码/项目页：未公开

自主采集循环 + Corrective Memory + LLM 解析 + 人机交互触发流程

运动、触觉与基础设施 APT-RL：四足机器人在野外飙到 6m/s

链接｜Science Robotics · 2026.07.15

Jun-Gill Kang 等 | KAIST

一句话：KAIST 的四足机器人用单个机载策略搞定楼梯、碎石、倒木到高速下落——瞬时峰值 6m/s，直接登上 Science Robotics。

APT-RL 框架通过轨迹优化生成大规模运动数据集，训练可复用技能作为先验，再高效迁移到 3D 环境实现自主技能切换。一个策略穿越所有障碍物类型，纯机载感知和计算。

️研发团队：KAIST（Hae-Won Park 组）
DOI：10.1126/scirobotics.adz7397

楼梯、碎石、倒木、跨栏等场景对比

H-Tac：160 小时人类视频练出的触觉预训练

链接

Chi Zhang, Penglin Cai 等

一句话：触觉终于也有了自己的"预训练时代"。H-Tac 构建了 160 小时 / 300+ 任务 / 135k 集的触觉-动作数据集，从人类视频预训练再迁移到机器人。

通过统一的触觉和动作空间桥接人-机器人差异，触觉 expert 显式建模接触动态。在仿真和真机上均展现出细粒度操作和鲁棒泛化。这是触觉模态 scaling 的重要一步。

️研发团队：未列出机构
代码/项目页：未公开

GPUSimBench：你的仿真器真的靠谱吗？

链接｜IROS 2026

Huzhenyu Zhang 等

一句话：当你在 Isaac Lab 里并行跑 4096 个环境时，并不是所有环境都"一样"的。GPUSimBench 首次系统量化了 GPU 仿真器的物理不一致性和运行非确定性。

论文识别了当前仿真器栈中的四种随机性机制，警告了大规模并行训练中可能存在的"自欺欺人"问题。IROS 2026 录用。

️研发团队：未列出机构（IROS 2026）
代码/项目页：未公开

相同初始条件下多次运行结果差异 + 四种随机性机制示意

本期趋势判断 三个信号

WAM 从概念验证进入工程优化阶段。GigaWorld 的 85ms 是一个分水岭——WAM 的推理延迟已经与传统 MPC 可比。RoboWorld 则补齐了评估环节。WAM 技术栈正在闭环。

VLA 微调的"表征退化"是今年的核心课题。Anchor-Align、DART、Semantic Anchoring、ACT-VLA——至少四组独立团队从不同角度验证了同一个问题：BC 微调会毁掉预训练语义。解法正在收敛到"蒸馏锚定+域算术"两条路径。

自主技能闭环正在变为现实。ASPIRE 的「编程-执行-诊断-修复」闭环 + CHORD 的力空间引导 + WANDA 的数据扩增 + PhysClaw 的语言修正——这四篇文章拼出了一张"机器自己教自己"的完整蓝图。如果这四样技术整合到一个系统里，那就是一台真正能"自我进化"的机器人。

值得关注的团队

GigaWorld 团队：本期贡献 GigaWorld-Policy-0.5 + PhysClaw-0，展现了 WAM 从训练到部署的系统性工程能力

Stanford/NVIDIA 联队（Jim Fan, Yuke Zhu 等）：ASPIRE 的代码闭环范式可能在接下来的几个月引发一波 follow-up

NVIDIA 灵巧手团队：CHORD 把灵巧操作的验证规模推到了新高度

行业速递

Walden Robotics于 7 月 15 日走出隐身模式，3 亿美元种子轮、11 亿美元估值，已在丰田工厂部署通用 AI 机器人。

蚂蚁集团于 7 月初正式入局人形机器人市场，完成 12 笔投资/合作。

Zeroth（零次方）获约7400 万美元 Pre-A 轮融资，用于扩展家用具身 AI 业务。

优必选发布 UWORLD U1，声称全球首款量产全尺寸超仿生人形机器人。

AGIBOT（智元）累计出货量突破15,000 台，2025 年全球全尺寸人形机器人出货量第一。

本文基于 2026-07-16 arXiv cs.RO/new 页面抓取 + 7 月存档精选论文详情页自主研读编译。数据来源：arxiv.org、公开行业报道。

Mbot具身智能实验室

让尖端科技触手可及，人人皆可探索未来

Mbot基础交流群等你加入，下方扫码联系

具身-杰西

Mbot具身-小助手

Mbot-视频号

Mbot-公众号