共 18 篇
“我们只交付100%可以复现的轨迹。” 具身智能创企鹿明机器人媒体沟通会上，联席CTO丁琰对具身智能数据采集现状、困境，以及最新兴的采集方式UMI作了前沿的深度分享。 他在分享中反复强调，很多团队以为具身模型训不出来是卡在训练阶段，实际多数问题在数据生成的起点就已经埋下了。后面再堆模型、堆算力，只是在给错误输入继续加速。 丁琰的履历能解释他为什么会把“数据的可训练性”看得这么重。 他的研究方向是机器人学与具身智能，2024年3月从美国纽约州立大学计算机学院博士毕业。去年年底加入鹿明之前，他做过一星机器人的CTO，更早则在上海AI Lab担任研究员。 按他的说法，从2024年3月起，他就持续投入
事情开始变得有趣起来了。 刚刚，来自千寻智能的具身智能基础模型Spirit v1.5，在RoboChallenge真机评测榜上，以总分66.09，成功率50.33%的成绩，超越美国明星公司Physical Intelligence的Pi0.5（π0.5），登顶榜首。 基于多样化的预训练数据采集范式，Spirit v1.5在插花、把水果放进篮子、挂牙刷杯等多项任务中，拿下第一，刷新榜单纪录。 经此一役，Spirit v1.5不仅是RoboChallenge自去年10月上线以来，首个击败baseline模型Pi0.5的国产具身模型，同时也是首个在RoboChallenge上成功率超过50%的具身智
WAIC 前夕，星尘智能（Astribot）新模型 Lumo-2，直接在官网甩出 20 + 真机视频 ——这背后，是星尘智能发布的第二代具身基座模型，也是业内首个面向家庭场景的隐式世界 - 动作模型（Latent World-Action Model），同步发的，还智能体 Agent Philia。
全新的具身模型空间能力评估范式 Theory of Space 突破了传统静态图文问答的局限，系统性地考察基础模型能否像人一样，在部分可观测的动态环境中，通过自主探索来构建、修正和利用空间信念。该论文已被 ICLR 2026 接收。
具身研究者天南对比 PI、Dream Labs 与破壳的 API 路线，并与许华哲讨论 RoboAPI 的通用场景、数据质量和云端通信限制。访谈提出以用户反馈的失败任务推动模型改进，强调开放接口不仅是商业形式，也用于检验演示与实际可用能力是否一致。
刚刚，北美具身初创Skild AI又发布了全新机器人基础模型S1，直接把机器人上下文学习的任务长度拉到了10分钟往上。这次的S1主打上下文学习（in-context learning，ICL）：无需在后训练阶段专门学习新的操作数据，只需看一段人类示范视频，就能“照猫画虎”，直接完成一整套从未见过的复杂操作流程。
国内首个少样本通用具身操作基础模型发布，跨越视觉语言与机器人操作的鸿沟。
腾讯云大会以 Manifold AI、RoboScience 和 Zeroth 为例，介绍仿真数据、异构计算、存储及网络如何配合具身模型训练与部署。文中效率数字来自企业具体项目，不能据此认为购买GPU无用，或云端方案适合所有机器人任务。
Astra 惊艳之后，具身公司还有护城河吗？
当 VLA、WAM、RL、TAMP、MPC 等机器人控制策略在各自擅长的任务中大放异彩，如何刻画其能力边界，并在正确的时机为不同子任务匹配最合适的策略，正逐渐成为机器人完成复杂长时序任务的关键。