EAI Awesome Work | 规模与效率的正面对撞

EAI Awesome Work | 规模与效率的正面对撞

本周的 arXiv 传递出一组很有意思的"互相拆台"的信号：一边，有人把双臂家务操作的数据堆到了1,500 小时并宣布开源；另一边，有人用0.54M 参数的迷你策略在 LIBERO 上打到 95.1%，顺手拆穿了主流 VLA 在这个基准上的"含金量"；而当你打算用 VLM 当裁判来评机器人做得对不对时，FailBench 告诉我们——**最好的 VLM 裁判，平均只有 0.77 的正确率，而且它总是倾向于说"成功"**。

规模、效率与评测三条线同时进入"被重新审视"阶段。本周我们精选14 篇核心工作，按世界模型、数据路线之争、全身移动操作、评测与鲁棒性四个方向拆解。这不是一篇新闻简报，而是一次对"这个领域正被什么驱动"的认真回答。

本周速览（1 分钟版）

世界模型从"预测未来"升级为 VLA 后训练的调度中枢（WISE 省 80% GPU），同时有人在认真提醒你：别用开环 rollout 分数自嗨。

⚖️ 三条数据路线正面对撞：1,500 小时双臂演示（PKU） vs0.54M 参数小策略（U Tokyo） vs一条演示换 16 个物体（Stanford）。

全身移动操作（loco-manipulation）密集爆发：无传感器的接触力感知（FWBC-VLA）、文本驱动的全身控制（ADAPT）、形态-控制协同设计的开源人形（BRIDGE）。

评测圈大地震：VLM 裁判不可靠（FailBench）、模态纠缠让 VLA 变脆（EGR）、新的评估范式开始转向"质量偏好"（R2S-Eval）。

World Models：从"预测未来"到"调度一切"

世界模型本周不再只是"预测下一帧"的工具，它同时被用来调度 VLA 后训练、做目标规划、给中间特征当监督信号——而一篇受控实验则给这股热情泼了盆冷水。

WISE：给 VLA 后训练装上"想象调度器"，GPU 省 80%

arXiv：https://arxiv.org/abs/2609.03681

Chenhao Zhang, Hanyu Zhao, Hang Cheng, Tengfei Pan, Long Zeng 等

一句话：VLA 的后训练不一定要靠真人数据或真机 RL——让世界模型"挑关键的时刻想象一下"，成本降到全量想象的 1/5，效果反而更稳。

用世界模型做强化学习（想象 rollout 当奖励信号）并不新鲜，但 WISE 指出了此前方案的三个暗坑：不是所有状态下都值得想象、长 rollout 会累积误差、绝对预测值不能直接当监督。于是它只在交互相关的状态选择性调用世界模型，做有界多视角 rollout，用进度与完成信号评估候选未来，再以"相对结果"来精修动作——想象被"调度"到刀刃上。

指标

结果

GPU 计算时间 vs 全量想象

减少约 80%

基座模型

π₀ 与 π₀.5 双验证

真实世界分布偏移

鲁棒性与泛化显著提升

️研发团队：Chenhao Zhang / Long Zeng 团队（机构未在摘要页标注）
代码/项目页：未公开

GIFT：视觉特征很丰富，但对动作"不够用"

arXiv：https://arxiv.org/abs/2609.04193

Yupeng Zheng, Xiang Li, Ya-Qin Zhang, Shuicheng Yan, Dongbin Zhao 等 14 人 | 含清华 AIR（Ya-Qin Zhang）等

一句话：VLM/世界模型给了机器人一堆漂亮的视觉特征，但这些特征未必承载控制要用的信息——GIFT 用"几何 + 可供性 + 目标区域"三种结构把它们掰回正轨。

论文把这种错配命名为**"动作充分性鸿沟"（action-sufficiency gap）：预训练特征对"看"很充分，对"干"很冗余。GIFT 的做法是在训练时用几何对齐、可供性预测、目标区域重建三种约束引导中间特征**，而且不改各模型自己的动作输出公式——所以它能同时插进 VLA、直接动作 WAM、逆动力学 WAM 三种模型。

基准（零样本）

GIFT-VLA

GIFT-WAM-Fast

GIFT-WAM-IDM

LIBERO-Plus

79.6%（+4.6）

72.6%（+12.6）

87.8%（+5.2）

RoboCasa

61.4%（+12.6）

83.6%（+9.0）

82.3%（+8.4）

️研发团队：含清华 AIR 张亚勤团队的多校联合
代码/项目页：摘要标注 Project page，URL 需在论文内查看

给机器人规划加"物理锚"的 JEPA 世界模型

arXiv：https://arxiv.org/abs/2609.03565

Muyuan Liu, Yue Huang, Zheng Liang, Xiang Gao | GENISOM AI（北京）

一句话：JEPA 系世界模型不重建像素、直接拿隐空间做规划，但隐变量容易"飘"——加一个逆动力学约束和物理状态对齐，规划成功率立刻上一个台阶。

面向视觉指定目标做规划时，纯隐空间预测不会主动保留"控制需要的信息"。这篇工作给行动条件 JEPA 世界模型补上两个模块：逆动力学（IDM）防止隐表征坍缩、让转移与动作挂钩；状态对齐（SA）把连续表征锚定到真实物理构型与运动上。转移子空间分析显示：基线模型 LeWorldModel 的转移能量集中在低维子空间，而本文模型的有效转移维度更高。

任务

成功率

TwoRoom

100%

PushT

98%

OGBench-Cube

87%

Reacher

与 LeWorldModel 相当

️研发团队：GENISOM AI（北京）
代码/项目页：未公开 ｜ 已录用 IROS 2026 PWMS Workshop

一盆冷水：更好的"想象 rollout"不等于更好的控制

arXiv：https://arxiv.org/abs/2609.02811

Dharini Raghavan, Amritpal Singh

一句话：大家习惯用开环预测误差来评估世界模型——但机器人是闭环跑的。这篇受控实验告诉你：换个评估方式，结论可能整个翻过来。

研究在有偏里程计 + 间歇路标感知的路径跟踪任务中，横跨 24 种感知条件评测 6 种估计器，对比三种评估方式：轨迹重放、20 步无测量 rollout、闭环跟踪。结果相当反直觉——重放误差与闭环表现的相关性（ρ=0.923）反而比 rollout 误差（ρ=0.774）更强；用 rollout 指标会选错估计器的场景占 18/24，而用重放指标只有 5/24。

评估方式

与闭环表现的相关性

选错估计器的场景

轨迹重放

ρ = 0.923

5 / 24

20 步无测量 rollout

ρ = 0.774

18 / 24

结论很直接：评测预测模型必须同时声明预测时域与测量更新调度——否则你的世界模型分数可能在骗你。

️研发团队：作者机构未在摘要页标注
代码/项目页：论文附代码

世界模型板块小结

四篇文章拼出了世界模型本周的完整版图：WISE 用它训练（调度想象做后训练信号）、JEPA 用它规划（物理锚定避免隐空间漂移）、GIFT 用它监督（把预测式建模的特征掰向控制结构）、02811 则警告所有人别乱评估它。世界模型的角色正在从"演示品"变成 VLA 技术栈里的公共基础设施——但它的评测规范还没跟上。

⚖️ 数据的三个答案：1,500 小时、0.54M 参数与一条演示

本周最过瘾的对照实验不需要专门设计：三篇论文给出了关于"数据到底要多大规模"的三种截然不同的答案。

XR-2：开源 1,500 小时双臂家务数据 ，示范"演示 + 在线纠错"双扩展轴

arXiv：https://arxiv.org/abs/2609.03591

Jiafeng Xu, Qi Li, Yan Shen 等 10 人 | 含 Hao Dong（北京大学）团队

一句话：双臂家务操作是当前最难啃的数据荒地——这个团队直接开源了 1,500 小时演示数据，并系统验证了"加演示数据"和"用 DAgger 做在线纠错后训练"两个 scaling 轴都还没到顶。

双臂家庭操作被大规模高质量人类演示数据的稀缺卡了脖子。该工作放出1,500 小时覆盖日常家务的双臂操作演示语料，配合高吞吐数据管线与多阶段训练范式训练出双臂 VLA 模型XR-2。更重要的是两项受控的 scaling 研究：

Scaling 维度

发现

专家演示数据量 ↑

任务成功率稳步上升

真人在线干预的 DAgger 纠错数据后训练

成功率同样稳步上升

两条曲线在当前数据规模下都呈现一致的上升趋势——为"双臂家务数据仍值得继续加注"提供了实证。数据集承诺开源。

️研发团队：Jiafeng Xu 等（含北京大学 Hao Dong 团队）
代码/项目页：数据集承诺开源，仓库地址暂未公布

MINERVA：0.54M 参数打穿 LIBERO，顺手给 benchmark 做了一次"体检"

arXiv：https://arxiv.org/abs/2609.03715

Kohei Sendai, Tatsuya Matsushima, Yusuke Iwasawa | 东京大学

一句话：一个 0.54M 参数的策略在 LIBERO 上做到 95.1%，只比 π₀.5 低 2.4 分——参数少 7,700 倍。更要命的是：把任务 ID 换一下映射，成功率直接归零，说明这个基准考的主要是"记性"。

MINERVA（MINimal Efficient Robotic Vision-Action policy）是一组刻意压缩的视觉运动策略，用来给 LIBERO 基准测量"任务特定的容量下限"。

指标

MINERVA

参数量

0.54M（比 π₀.5 少 7,700 倍）

LIBERO 四套件平均成功率（2,000 次 rollout）

95.1%

与 π₀.5 差距

仅 -2.4 个百分点

性能饱和点 / 崩溃点

~1M 参数饱和，<0.25M 崩溃

笔记本 CPU 每块重规划

5–9 ms（比 SmolVLA 快 113 倍，比 π₀.5 快 1,400 倍）

三项杀伤力极强的诊断结论：① 在大量架构、训练与推理扫描中，只有动作块长度和视觉容量能稳定影响性能，其他折腾全是噪声（±1 个百分点内）；②流匹配相比直接 L1 回归没有可检测优势，而回归在 GPU 上快 3.8 倍——对"必上 flow matching"的惯性信仰是一次公开处刑；③任务 ID 置换探针表明标准 LIBERO 的指令条件化主要是在"记忆任务之间做选择"，换个 ID 映射成功率就崩到随机水平。

同样配方在 LIBERO-90 的 89 个任务上拿到 94.6%，但 LIBERO-Plus 扰动下掉到 46–56%，对光度变化的鲁棒性接近于零——数据量说明一切：它证明了 LIBERO 的容量下限极低，也顺带暴露了这个基准离"语义理解"有多远。

️研发团队：东京大学（Matsushima / Iwasawa）
代码/项目页：未公开

DemoMimic：一条人类演示，泛化 16 种物体的灵巧操作

arXiv：https://arxiv.org/abs/2609.01938

Satvik Sharma, Samrat Sahoo, Fei-Fei Li, Jiajun Wu, Dorsa Sadigh, Jeannette Bohg 等 | Stanford

一句话：灵巧手数据贵到收不起？那就别学"整只手怎么动"，只学"接触点附近的局部几何"——一条演示就能在形状、尺度、质量都不同的 16 个物体间迁移。

多指灵巧手的 sim-to-real 方法常有两个病：奖励里没有显式鼓励精确接触，导致真机效果差；以及过度依赖整体物体模型，换个物体就泛化不动。DemoMimic 的策略只盯着接触点局部的几何结构操作物体，用接触中心奖励拉高 sim-to-real 一致性——一个单一策略，只要局部接触结构一致就能跨物体迁移。

指标

结果

真实世界成功率

71%（16 个物体 × 4 类任务 × 2 种机械手）

sim-to-real 性能下降

各基线中最小

️研发团队：Stanford（Fei-Fei Li / Jiajun Wu / Dorsa Sadigh / Jeannette Bohg）
代码/项目页：未公开

数据路线板块小结

把三篇放在一起看，是今年最具张力的一张"三岔路口"：XR-2 押注——数据还远没到 scaling 瓶颈，双臂家务尤其如此；MINERVA 拆台——至少在 LIBERO 这类基准上，参数与"语义"都被高估了；DemoMimic 换道——与其纠结数据量，不如把先验（接触几何）用好。三者的共识其实只有一个：**"更大的模型 + 更多的数据"正在从默认答案变成待论证的假设**。

全身移动操作：从"会走路"到"边走路边干活"

人形/轮腿机器人的研究本周高度收敛到一个词：loco-manipulation。四篇工作分别回答了它四个子问题——怎么感知接触力、怎么听人指挥、怎么造出适配的硬件、怎么把行为系统搭得可编辑。

FWBC-VLA：不加力传感器，也能让 VLA"感觉到"接触

arXiv：https://arxiv.org/abs/2609.03889

Yutian Zhang, Siyuan Ma, Liwen Yang, Yang Li, Ce Hao, Haozhen Chi, Dong We, Qiaojun Yu, Dibo Hou

一句话：VLA 会"想"但感觉不到力，WBC 会"站"但分不清任务力与干扰力——FWBC-VLA 用一个无传感器力矩估计器把两边缝起来，让轮腿机器人在富接触任务里又稳又懂轻重。

富接触的移动操作需要"语义动作生成"与"物理交互控制"的桥接，而给机器人装力/力矩传感器既贵又难集成。FWBC-VLA 提出HSR-Force无传感器残差力矩估计器，推断接触强度及其时序变化，并把接触状态编码成 token 注入 VLA 动作专家的解码阶段——让策略感知接触的建立、持续加载与释放。本体感觉、雅可比导出的机体坐标系力估计与接触状态再联合送入补偿生成器，产出修正动作叠加到操作动作上交给全身控制执行。

验证任务

真机结果

擦白板

有效（接触持续 + 力补偿）

推开带闭门器的门

有效（力突变下的全身补偿）

配套发布了WL&Arm 数据集（5,000+ 回合）用于全参数微调 VLA 骨干。真实场景里没有"传感器白名单"，能无感测力是移动操作规模化落地的一道关键减法。

️研发团队：作者团队（轮腿平台 + VLA/WBC 系统），机构未在摘要页标注
代码/项目页：未公开

ADAPT：人形机器人"边保持平衡边听懂你换指令"

arXiv：https://arxiv.org/abs/2609.00677

Yan Wu, Chenhao Li, Kaifeng Zhao, Gen Li, Marco Hutter, Siyu Tang | ETH Zurich

一句话：主流"文本→动作"是先生成运动学动作再交给跟踪器，ADAPT 直接端到端闭环学——机器人要一边维持平衡一边持续响应口语指令，还能流畅切任务。

ADAPT 从带文本标签的状态-动作轨迹中学习基于扩散的动作先验，让多样化技能可直接由语言驱动；再在冻结的扩散控制器之上训练一个轻量残差 RL 策略，专门处理长时程鲁棒性与指令切换的平滑度。这个扩散策略还能被复用为"可操控的文本条件运动先验"做下游任务适配——一套参数，两种用法。

能力

鲁棒语言落地技能执行

端到端闭环，无需独立跟踪器

交互式指令切换

残差 RL 保证长时程稳定与流畅过渡

先验复用

可作 steerable 运动先验适配下游任务

️研发团队：ETH Zurich（Marco Hutter / Siyu Tang）
代码/项目页：有项目页（URL 见论文 Comments 链接）

BRIDGE：先优化"长得像不像人"，再谈造人形机器人

arXiv：https://arxiv.org/abs/2609.03497

Jianren Wang, Letian Qian, Zikai Wang, Weiwei Wu, Junjie Zong, Abhinav Gupta, Deepak Pathak | CMU 团队

一句话：大多数机器人是"先定好硬件尺寸，再想办法控住它"；BRIDGE 反过来——以"能不能忠实地复现人类动作"为目标，把形态和控制一起优化，造出 88cm 的开源人形平台。

硬件设计与全身控制长期脱节，导致机器人在"类人流畅度"上妥协。BRIDGE 提出数据驱动的形态-控制协同设计框架，并给出一个联合度量：运动学重定向保真度 × 动态跟踪性能，用它对基线人形（Bumi、K1、Toddlerbot）全面领先。最终落地为Bridge——88cm 高、开源硬件 + 同步开源控制策略，在基础移动、鲁棒平衡与高动态机动上均表现出色，能以高保真度采集人类运动数据。

对比项

BRIDGE

设计方式

形态-控制协同设计（数据驱动）

平台规格

88cm 高，开源硬件 + 策略

对标基线

Bumi / K1 / Toddlerbot（全面 SOTA）

️研发团队：CMU 团队（Deepak Pathak / Abhinav Gupta）
代码/项目页：开源材料 + 视频（URL 见论文）

IHMC：把"行为系统"做成能现场改的程序，34 秒推门穿行

arXiv：https://arxiv.org/abs/2609.01518

Duncan Calvert, Luigi Penco, Robert Griffin 等 | IHMC（Florida Institute for Human & Machine Cognition）

一句话：当别人在卷学习策略时，IHMC 在卷"行为架构"——让操作员像改剧本一样在运行时增删机器人行为，人类干扰下 45 秒分拣 6 个球。

论文的核心主张很反潮流：行为架构（而非某个算法）才是能力、速度与可靠性的主要推动因素。系统用"以对象为中心的 Affordance 模板 + 树状结构 + 运行时可编辑的感知"组织行为，操作员界面与机器人持续同步，支持现场编写、监控与修复。动作原语由支持并发行走与身体运动的全身控制器执行。

场景

表现

推门穿行（Unitree H1-2 / Alex）

34 秒

人类物理干扰下按颜色分拣 6 球

45 秒

从零编写/适配一个新移动操控行为

仅需数小时

️研发团队：IHMC（Robert Griffin 团队）
代码/项目页：附演示视频（URL 见论文）

全身移动操作板块小结

四篇合起来正好是一套完整分工：FWBC-VLA解决"接触力的感知与补偿"（在轮腿上），ADAPT解决"语言如何实时指挥全身"（在人形上），BRIDGE从源头解决"硬件形态要不要为数据收集优化"，IHMC则提醒我们——生产级的 loco-manipulation 还需要能被现场调试的行为系统。从"能走"到"边走边干活还扛得住人捣乱"，这条技术链正在快速闭合。

评测与鲁棒性：给机器人请裁判，先问裁判靠不靠谱

本周评测圈集体"排雷"：VLM 当任务成功裁判并不可靠；VLA 对传感器损坏/遮挡格外脆弱；而有团队开始用"成对偏好"替代二元成功计数。

FailBench：VLM 当裁判，最好成绩 0.77，还总爱说"成功"

arXiv：https://arxiv.org/abs/2609.03611

Zaruhi Navasardyan, Tatul Danielyan, Hrant Davtyan

一句话：越来越多人拿 VLM 判断"机器人这步做成了没"。FailBench 用 2,197 次真实操作试出了真相：最强的 VLM 裁判平均正确率只有 0.77，证据模糊时它会系统性倾向判"成功"。

FailBench 汇聚 14 个公开来源（12 个真机 + 2 个仿真）的 2,197 次操作尝试，其中75% 的失败是自然发生的（不是人为构造），且有 6 个来源来自原本并非失败检测用途的数据集——专治"在自己的数据集上自嗨"。

发现

数据

13 个 VLM 检测器最好成绩

0.77平均平衡准确率

专门微调过的失败检测模型

一致跑输通用 VLM 与其预训练基线

结果取决于物体可见运动时

接近饱和

接触密集的装配任务

掉到接近随机（<0.60）

证据模糊时

系统性偏向预测"成功"（加长推理也不改）

一个务实的解法：把"结果相关区域"空间定位并裁剪后喂给模型，不做任何训练就能让最强检测器+2.4 个百分点。换句话说，目前的瓶颈一半在模型，一半在"你给它看了什么"。

️研发团队：作者机构未在摘要页标注
代码/项目页：未公开

EGR：模态纠缠——你的 VLA 在靠"传感器间的巧合"答题

arXiv：https://arxiv.org/abs/2609.03142

Yue Yang, Diego Romeres, Chiori Hori, Gedas Bertasius, Daniel Szafir, Siddarth Jain

一句话：VLA 在有限同质数据上训练会学到"传感器 A 和 B 之间的虚假相关"——其中一个坏了或遮住了它就抓瞎。EGR 让策略学会分辨"哪个传感器此刻在说真话"。

这种失败模式被命名为模态纠缠（modality entanglement）：表现为对无信息传感器损坏的"干扰敏感"，以及只剩单一信息传感器时的"单模态不足"。EGR 用逐帧、逐传感器的任务相关性信号做门控：低证据传感器强制它"不变量"（坏了也别捣乱），高证据传感器强制"单传感器充分性"（只靠它也能完成任务），且只在训练期生效，推理零开销。

场景（BEHAVIOR-1K 仿真）

成功率提升

全模态

12.5% → 16.4%（+31%）

无信息传感器损坏

9.4% → 16.5%（+75%）

单传感器回退

2.8% → 6.1%（+120%）

真机遮挡干扰（双臂 Kinova）

30% → 85%（+183%）

真机（视觉+触觉 MELFA）

55% → 70%（+27%）

️研发团队：作者机构未在摘要页标注
代码/项目页：未公开

R2S-Eval：与其数成功率，不如让 VLM 比"哪段做得更好"

arXiv：https://arxiv.org/abs/2609.03276

Yidi Wang, Feixiang Ruan, Ruoqu Chen, Jie Yin, Yang Yu, Mengdi Xu, Kaifeng Zhang

一句话：真机评估又贵又不稳定，还可能换个批次排名就翻车；R2S-Eval 用"校准过的仿真视频 + VLM 成对偏好"给策略排名，还能量化成功标签看不到的执行质量差异。

传统的真实世界评估靠重复硬件试验 + 人工数成功率，既费力，且成功率这种二元标签丢失了大量执行质量信息。R2S-Eval 先在与真实环境校准过的仿真器里高效生成 rollout 视频（real-to-sim），再用VLM 成对偏好评判执行质量并聚合成策略排名，并配套了一套协议来验证"评估结论是否可信"。

特性

R2S-Eval

评估粒度

成对偏好 → 质量感知排名（非二元成功）

硬件负担

大幅减少重复真机试验

结果

与人类偏好一致、统计稳定、能暴露二元标签漏掉的质量差异

️研发团队：作者机构未在摘要页标注（有项目页）
代码/项目页：有项目页（URL 见论文 Comments）

评测板块小结

三篇互为因果：FailBench用大规模真机数据证明了"VLM 裁判"远未达标且存在系统性乐观偏差，EGR揭示了 VLA 本身在感知退化下有多脆（这也正是"裁判"难当的根源之一），R2S-Eval则给出一条出路——把评估从"成功/失败计数"升级为"校准仿真 + 质量偏好"。评测正在从附属品变成和策略训练同等重要的一等公民。

本期趋势判断 三大信号

"越大越好"从公理变成了待证命题。MINERVA 用 0.54M 参数、XR-2 用 1,500 小时演示、DemoMimic 用一条演示，给出了三个方向的证据；而 FailBench 又提醒我们，连"评价变大了好不好"的工具都还不可靠。2026 年下半场，说服别人的成本在上升——每一条 scaling 主张都得自带受控实验。

世界模型成了 VLA 的"训练期外挂"，想象开始讲成本。WISE 把世界模型从"未来预测器"升级成"后训练调度器"并宣称省 80% GPU；GIFT 则把预测式建模的特征直接用于动作监督。参考上月 GigaWorld 把 WAM 推理压到 85ms——想象不仅要比谁准，还要比谁便宜，这条军备竞赛已经开始。

全身移动操作进入"系统级收敛"。本周五篇与 humanoid/loco-manipulation 相关的工作分布在感知（FWBC-VLA）、控制（ADAPT）、硬件（BRIDGE）、行为系统（IHMC）与安全（Safe Stop 等）每一层。行业端小鹏机器人完成超 9 亿美元融资、OpenAI 官宣自研人形本体（见行业速递）——资本与论文在同一时间指向"全身"这个形态。

值得关注的团队

东京大学（Matsushima / Iwasawa）：MINERVA 给 LIBERO 及 flow matching 信仰同时立了块墓碑，基准批判会引发一串 follow-up。

Stanford（Fei-Fei Li / Jiajun Wu / Bohg 组）：DemoMimic 的"接触几何先验"路线可能是灵巧手少样本的下一个共识。

CMU（Deepak Pathak / Abhinav Gupta）：BRIDGE 的形态-控制协同设计把"开源人形数据采集平台"又往前推了一步。

北京大学（Hao Dong 团队）：XR-2 的 1,500 小时双臂数据若如期开源，将是双臂家务学习的一块公共地基。

GENISOM AI（北京）：JEPA 物理锚定方向的中国公司信号，值得盯后续。

反向观察

本周 14 篇精选里，明确公开代码/数据/项目页的屈指可数（XR-2 数据承诺开源、BRIDGE 开源硬件、FailBench/R2S-Eval 未附仓库）。论文宣称的 SOTA 大多没有可复现路径，而 MINERVA 恰恰证明了"复现成本与基准含金量"是这个领域的隐形税。既然评测范式（R2S-Eval、FailBench）本身正在成为研究对象，那么"开源，不然别谈 scaling"应当成为审稿人标配。

行业速递

OpenAI 官宣自研人形机器人（9/2）：奥特曼在播客中首次明确 OpenAI 将自研人形本体，并并行研发数据中心特种机器人，长期目标是"人手一台"。

小鹏机器人业务完成超 9 亿美元首轮融资（估值超 63 亿美元），刷新国内具身智能单轮纪录：76 个自由度、端侧算力 2250 TOPS、已完成约 250 台小批量试产，规划 2026 年底规模量产；同期发布第二代 VLA 4D 时空大模型（端侧参数扩大 3.5 倍，留存前 30 秒路况、推演未来 6 秒），技术同步迁移至人形机器人 IRON。

美国首只专注中国人形机器人的 ETF（CROB）于 9/2 在纳斯达克上市，前十大成分股覆盖绿的谐波、汇川技术等中国产业链龙头。

Galbot（银河通用）ET1 开启预售（9/3）：首款双足人形，1,230mm / 30kg，采用宇树电机单元 + Galbot AstraBrain-WBC 控制器，2026 世界机器人大会首秀。

天工机器人完成数亿元融资（9/2，初芯基金领投）。

国家标准 GB/T 47245—2026《机器人智能控制系统总体架构》等一批智能控制国标于 9/1 正式实施；行业口径预计 2026 年全球人形机器人出货超 5 万台、中国厂商占八成以上。

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