跳到正文
  1. 智东西 · 机器人84

    CoRL 2026 放榜:伯克利 SuperMimic 获最佳论文,英伟达斯坦福 RoboTTT 获最佳学生奖

    机器人学习顶会 CoRL 2026 公布获奖名单,加州大学伯克利分校的 SuperMimic 研究获得最佳论文奖,该方法基于可微世界模型将人形机器人全身控制训练算力降低超千倍,单卡 3 小时即超过百卡基线并已在宇树 G1 真机验证。英伟达与斯坦福联合团队的 RoboTTT 获最佳学生论文奖,其通过测试时训练将策略上下文扩展至 8000 个时间步,在多项灵巧装配任务中平均完成率提升至 79%。

    推荐理由:CoRL 2026 最佳论文展示可微世界模型将人形机器人训练算力降低千倍,最佳学生奖提出长上下文策略方法。

  1. Google DeepMind75

    Gemini 4 Carbon 正式发布

    Google DeepMind 正式向开发者、企业及消费者发布 Gemini 4 Carbon。该模型在 CursorBench 4.0、WANDR 等基准测试中排名第一,成本低于次优外部模型;在金融研究、全栈开发及网络安全漏洞挖掘与修复方面表现卓越;同时在科学推理(如蛋白质结构预测)和模型安全对齐上取得显著进展。

    推荐理由:原文给出了模型在复杂知识工作、全栈开发及前沿网络安全领域的基准表现与成本优势,开发者可据此评估其是否适合现有工程流程。

  2. The Decoder · Robotics82

    Gemini Robotics 2.5 在奔驰产线分拣金属零件任务中达成 96% 成功率

    Google DeepMind 发布了 Gemini Robotics 2.5 视觉语言动作模型,该模型与 Apptronik Apollo 2 机器人及奔驰产线合作进行了试点测试。

    推荐理由:原文披露了 Gemini Robotics 2.5 在奔驰产线的实测成功率及与 Argon 模型的仿真训练结合方式,为评估 VLA 模型在工业场景的落地效果提供了具体数据。

  1. Google DeepMind82

    DeepMind 发布 Gemini Robotics 2.5 模型以加速现实世界灵巧操作能力

    Google DeepMind 正式发布 Gemini Robotics 2.5,这是其目前最强大的视觉语言动作(VLA)模型,旨在提升机器人学习速度与广度。该模型在超过 200 项任务测试中,相比基线成功率高出 30% 至 100%,完成任务速度快 20% 至 30%。

    推荐理由:原文介绍了 Gemini Robotics 2.5 在任务广度、可靠性与安全方面的提升,并披露了与奔驰产线合作的实测数据及 ASIMOV-Jailbreak 基准。

  1. 量子位82

    谷歌开源 Harness²:让大模型在运行中自我魔改代码与提示词

    谷歌开源了名为 Harness² 的框架,旨在解决递归自我改进(RSI)在真实开放世界中缺乏标准答案和过度拟合的问题。该系统采用双层递归架构:任务级递归通过提议 - 探测 - 合成机制在无裁判环境下进行行为对比以修补缺陷;改进级递归则将调试记录沉淀为元能力存入经验库,供后续任务检索复用。

    推荐理由:谷歌开源 Harness²,通过双层递归架构实现 Agent 在运行中的自我修补与经验沉淀,显著提升了多基准任务表现。

  1. arXiv · 机器人与计算机视觉78

    Momentum:面向视频世界模型的持久化动力学方法

    该论文提出 Momentum 方法,通过参考相机阵列构建同步视频作为场景动态共享记忆,利用图结构在相邻设备间传播生成以协调时空一致性。WorldUpdate 阶段生成全局动态记忆,WorldInteract 阶段将目标相机控制锚定于此记忆,确保移出视野的动态内容(如车辆、行人)能保持状态并在重入时一致呈现。

    推荐理由:原文提出了利用多机位视频记忆与图传播机制解决动态场景一致性的方法,并提供了 CARLA 数据捕获流程与评估框架。

  1. Google DeepMind87

    Gemini 4 Argon 发布:物理 AI 模型解锁机器人控制与仿真构建新工作流

    DeepMind 发布 Gemini 4 Argon,该模型在 ERQA 基准测试中纯推理得分 87%,超越其他前沿模型。Argon 支持从遥操作到自主控制的闭环视觉回路,能基于真实视频或手绘草图构建物理校准的 MuJoCo 仿真双胞胎,并开放了多模态后见性标注与价值函数预测等工具。

    推荐理由:DeepMind 发布 Gemini 4 Argon,在 ERQA 基准测试中纯推理得分 87%,并开放了从代码生成到仿真构建的机器人工作流入口。

  2. Google DeepMind82

    Gemini 4 Argon 发布:具身推理与复杂工程任务全球上线

    Google DeepMind 正式发布 Gemini 4 Argon 模型,该模型在具身推理基准 ERQA 中以 87% 的分数领先其他前沿模型,并展示了通过观看人类操作视频自主构建仿真代码、进而将技能迁移至人形机器人(Apptronik Apollo)实现连续投掷的技能。

    推荐理由:DeepMind 发布 Gemini 4 Argon,在具身推理基准 ERQA 以 87% 分数领先,并展示通过观看视频自主构建仿真代码并在人形机器人上实现技能迁移的能力。

  3. 智东西 · 机器人82

    Google DeepMind 发布通用物理推理模型 Gemini 4 Argon

    Google DeepMind 正式上线通用物理推理模型 Gemini 4 Argon,该模型具备视觉语义推理、物理理解和代码生成能力。Argon 支持通过观看视频或手绘草图构建仿真环境(Real2Sim),在 MuJoCo 等环境中进行零样本控制与技能学习,并能分析操作过程以优化机器人表现。

    推荐理由:DeepMind 上线通用物理推理模型 Gemini 4 Argon,支持从视频或草图构建仿真环境、零样本控制及自我改进优化机器人动作表现。

  1. Google DeepMind78

    Google DeepMind 发布开源轻量级多模态嵌入模型 EmbeddingGemma 2

    Google DeepMind 发布 EmbeddingGemma 2,这是一个基于 Gemma 4 架构的开源多模态嵌入模型,采用 Apache 2.0 许可。

    推荐理由:DeepMind 发布 EmbeddingGemma 2,统一处理文本、代码、音视频的多模态嵌入模型,支持端侧推理与离线 RAG。

  1. arXiv · 机器人与计算机视觉82

    H-JEPA:面向视觉规划的端到端分层世界模型学习

    论文介绍 H-JEPA,一种用于长程规划的端到端分层世界模型方法。该架构包含多个动作条件化的 JEPA 层级,每层在独立潜空间预测不同时间尺度的未来:顶层优化目标进度,下层将高层预测作为子目标。

    推荐理由:提出分层 JEPA 架构,在仿真与真实机器人视频中通过时间尺度分解提升长程规划成功率并降低计算开销。

  1. Google DeepMind MuJoCo · Releases70

    MuJoCo 3.14.0 发布:新增 IPC 柔性接触模式与归档资源提供者

    Google DeepMind 发布 MuJoCo 3.14.0 版本,新增 IPC 实验性接触模式以支持无穿透柔性接触,并引入归档资源提供者接口。修复了惯性分解警告、稀疏牛顿求解器错误及多项 API 兼容性问题,同时优化了 MJCF 保存时的帧变换处理与程序化模型编辑性能。

    推荐理由:MuJoCo 3.14.0 发布,新增无穿透柔性接触模式与归档资源提供者,修复惯性分解警告及多项 API 兼容性问题。

  1. Boston Dynamics · Blog68

    Boston Dynamics 发布 Spot 5.2:引入 Gemini 视觉、气体传感及自主部署新架构

    Boston Dynamics 发布 Spot 5.2,核心在于通过 Google Gemini 增强视觉智能与新增气体、振动等模态,并重构 Orbit 软件以支持跨系统自主工作流。

    推荐理由:Boston Dynamics 发布 Spot 5.2,通过 Gemini 增强视觉与气体传感能力,并重构 Orbit 架构以支持跨系统自主工作流。

  1. MIT CSAIL News68

    InstructMesh:让 AI 生成的 3D 模型可编辑且符合物理功能

    MIT CSAIL、Google 和东北大学联合开发的 InstructMesh 工具,结合 Microsoft TRELLIS 系统与 GPT-4 大语言模型,允许用户通过自然语言提示生成并编辑 3D 设计。

    推荐理由:MIT CSAIL 联合 Google 等推出 InstructMesh,结合 TRELLIS 与 GPT-4 实现可编辑的生成式 3D 设计工具。

  1. Google DeepMind67

    Gemini 3.7/3.6/3.5 Flash 发布代理式视频理解功能

    Google DeepMind 今日在 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 模型中推出代理式视频理解(agentic video understanding)功能。

    推荐理由:DeepMind 在 Gemini Flash 系列中引入代理式视频理解,通过动态检索与多模态分析显著降低长视频处理成本并提升精度。

  1. OpenCV Blog78

    3D-Object Perception Transformer (3PT):统一检测、分割与位姿估计的 RGB-only 多视图 Transformer

    OpenCV Live 播客介绍由 Intrinsic 和夏威夷大学作者提出的 3D-Object Perception Transformer(3PT),该架构将检测、分割和 6DoF 位姿估计统一为两个仅用 RGB 的多视图 Transformer。

    推荐理由:OpenCV Live 播客介绍 3PT 架构及其在 BOP 2025 竞赛中的表现,并分享从基准测试到工业部署的工程经验。

  1. Google DeepMind MuJoCo · Releases68

    MuJoCo 3.12.0 发布:新增 PID 与直流电机控制器并优化物理仿真引擎

    Google DeepMind 发布 MuJoCo 3.12.0,核心更新包括新增支持位置/速度设定值及前馈输入的 PID 控制器和重新设计的直流电机控制器。引擎层面优化了大网格凸碰撞检测速度与柔体块求解器收敛性,并修复了盒盒碰撞穿透与近奇异面裁剪导致的接触失效问题。

    推荐理由:DeepMind 发布 MuJoCo 3.12.0,新增 PID 与直流电机控制器、优化碰撞检测及纹理加载规范。

  1. Generalist · Research Blog95

    Generalist 发布机器人基础模型 GEN-1.5:具身智能实现单样本学习

    Generalist 发布了最新机器人基础模型 GEN-1.5,该模型在预训练后无需微调即可通过单样本演示(物理提示)即时学习新任务,平均成功率达 59%,经少量梯度步优化后可提升至 83%。模型具备零样本仿真到现实迁移、组合泛化及即兴工具使用能力,支持从人类手部动作直接模仿机器人操作。

    推荐理由:该机器人基础模型 GEN-1.5 在预训练后无需微调即可通过单样本演示学习新任务,并具备零样本仿真到现实迁移能力。

  1. Google DeepMind78

    DeepMind 推出首个消费级手语转文本模型 SL2T

    Google DeepMind 发布多语言手语转文本(SL2T)模型,首次将其集成至 Pixel 11 的 Gboard 和 Live Transcribe 应用中,支持美国手语(ASL)到英语的实时翻译。

    推荐理由:DeepMind 推出首个消费级手语转文本模型 SL2T,集成于 Pixel 11 Gboard 与 Live Transcribe,支持 ASL 到英语翻译。

  1. Google DeepMind87

    Gemini Robotics ER 2 发布:以视频理解、任务编排和多机协作赋能具身智能

    Google DeepMind 正式发布 Gemini Robotics ER 2,作为新一代具身推理模型,它支持通过连续视频流进行进度分类与时刻定位(精度达 91.3%),实现毫秒级低延迟的任务编排。该模型原生支持多机器人协作、工具调用及实时空间感知,已在仿真环境及波士顿动力 Spot 等真实硬件上完成演示验证,现通过 Gemini API 和 Google AI Studio 向开发者开放。

    推荐理由:DeepMind 发布 Gemini Robotics ER 2,通过视频理解与任务编排提升机器人自主性,并开放 API 接口。