Meta 举办开源科学 AI 峰会,展示开放模型的科研应用
Meta 举办 Open Source AI for Science Summit,汇集学界、国家实验室、医疗和政策领域研究者,探讨 Muse Glimmer、SAM、DINO v3、TRIBE v2 和 UMA 等开放模型的现实应用。
Meta 举办 Open Source AI for Science Summit,汇集学界、国家实验室、医疗和政策领域研究者,探讨 Muse Glimmer、SAM、DINO v3、TRIBE v2 和 UMA 等开放模型的现实应用。
GPT 6.2 Astra 在 XDOF 的机器人基准 Ember-0 上取得 41.2% 的成绩。相比 9 月初 GPT 6 Astra 的 19.6%,得分大幅提升,XDOF 预计该基准很快将趋于饱和。
Mind2Act World 通过 Mind、Act 和 Mind2Act 三类视角,分别诊断机器人操作中的认知推理、物理执行及两者基于环境反馈的闭环组合。基准包含来自五个现实应用领域的 30 项模拟操作任务,覆盖三种难度和 Clean、Random 两种场景,共 180 种配置。
NVIDIA 展示了开发者如何结合 GPT-6 Astra、GPT-6 Sol、Claude Code 等模型或工具与 Omniverse 库,通过自然语言指导和人工复核构建仿真应用。案例覆盖工业数字孪生、机器人抓取与装配、VR、仓库和自动驾驶测试,并强调让智能体检查渲染与日志,再由开发者直接验证物理行为和交互体验。
Jim Fan 以未剪辑、1x 速度的视频演示 GR00T 2 自主端到端控制真实灵巧手。该开放式机器人模型完全运行于机器人板载计算,可执行超过 20 个步骤、持续 5 分钟以上的长程任务,并通过 X-Adapt 从穿戴设备和模拟数据零样本适配多种真实机器人。模型权重和 X-Adapt 配方将于 12 月发布,智能体框架、模拟与标注引擎、硬件设计及 100K 小时训练数据现已开放。
迪士尼披露3款《星球大战》Anzellan电子动画机器人原型,借助AWS云端AI实时响应游客动作和语言。隐藏摄像头和麦克风采集信息,不同模型分别处理即时回应和较长互动,但所有动作及台词均由迪士尼预先编写。它们将于本月晚些时候在拉斯维加斯AWS re:Invent首次公开亮相。
印度 Humyn Labs 获得 $47 million A 轮融资,为美国 AI 和机器人公司提供训练模型所需的真实世界数据。其中 $26 million 为 Accel 领投的股权融资,$21 million 为风险债务,用于缓解向数据采集人员付款与客户 30 至 60 天回款之间的资金缺口。
Genesis AI 完成 $500M Series A,估值达 $3.5B,将研发擅长精细手部操作的机器人。其机器人从仿人手设计起步,用户可佩戴传感器手套执行任务,以记录手部动作和按压力度并教授新技能。
HubEgo-100K 现已在 Hugging Face 开源,包含来自 100,000+ 名不同 Hub 贡献者的 100,000 小时技能任务第一视角数据。该数据集可免费用于研究和商业用途,原文称其为 Hugging Face 上最多样化的第一视角数据集。
Google Antigravity 新增机器人插件,结合 Gemini 4 Hydrogen,可通过自然对话教授机器人执行新任务。用户可连接受支持的机械臂,先在 MuJoCo 仿真中练习,再让机器人在现实环境中运行任务。
Genesis 完成 $500M Series A 融资,估值为 $3.5B,并称公司正进入下一阶段。其目标是打造具有人类水平智能与能力的通用机器人,使其能在完整工作流程中可靠运行多年,未来愿景包括在各处部署数十亿台机器人。
Google 今天在 Antigravity 上推出 Robotics 插件,并介绍上周发布的 Gemini 4 Hydrogen 如何用于机器人接入、MuJoCo 仿真和闭环控制。
推荐理由:从硬件接入、MuJoCo 仿真到闭环控制的完整流程,为机器人应用提供了一条可复用的 Real-to-Sim-to-Real 开发路径。
ScaleVLA 将 552B DeepSeek-V4.1-Flash 骨干连接到可训练的动作 DiT,并在统一训练设置下比较 2B 至 552B 的 VLM。
ForceHarness 让仅能通过 API 访问的冻结多模态模型无需示范或微调,便可借助自调节的力原语与物理翻译层使用力反馈控制机器人。研究同时构建了包含 7 项任务和隐藏物理变量的 MuJoCo 基准 HiddenPhys;在无腕部力传感器的真实机械臂上,该方法将 GPT-6 Astra 的零样本成功率从 3.3% 提高到 90.0%。
Anthropic 的语言模型 Claude Fable 5.2 通过 Python 代码驱动模拟画笔、颜料和画布,逐笔绘制复杂乃至接近照片的图像,而不是调用外部图像模型。
Runway 开源发布机器人控制模型 Praxis-1,提供开放权重与源代码,采用 Apache 2.0 许可支持商用。该模型基于视频训练学习物体运动规律,再用人类动作视频和机器人数据微调,输入摄像头图像、文字指令和机器人位置信息来预测环境变化并计算机器人动作。
NVIDIA 发布 GR00T 2,这是面向机器人研究的开放 System One 模型,可从人类示范中学习技能并预测动作如何改变物理世界。学到的技能可以迁移到不同机器人本体,减少为每台机器人从头教授每项任务的需要。
论文提出 Ropedia Xperience 2,包含 1,589 个米尺度 3D 扫描,以及涵盖 74 项任务的 4,230 段第一视角录制,总时长 131 hours。
Jim Fan 发布 GR00T 2,这一开放 System One 机器人模型在本体计算上控制真实灵巧手,端到端完成化学实验并清理现场。GR00T 2 支持跨 20+ 步骤、5+ 分钟的长时程任务,并通过 X-Adapt 从人类穿戴设备和仿真数据适配到多种真实机器人。
Duo v1 提出 Reciprocal World Model(RWM),持续感知实时音频、视频和文本,并与用户进行全双工实时交互。模型通过自回归交互推理、统一时间线上的 Intent 与 Realization 同步,以及双重 rollout 蒸馏来减少分布偏移。除对话外,用户还可分享真实物体、调整虚拟场景、引导助手或进行视听游戏,无需鼠标或键盘控制。
Jim Fan 宣布 GR00T 2 这一开放式机器人 System One 模型,可完全运行在机器人机载计算上,实现脱离外部连接运行。模型权重、智能体框架、仿真引擎、标注引擎、硬件设计和 100K hours 训练数据现已提供,X-Adapt recipes 将于 December 提供。
推荐理由:原文同时给出本地运行、长时程机器人任务和多项开放组件,读者可据此了解 GR00T 2 的部署方式与可复用资源范围。
Google DeepMind 发布新一代视觉-语言-动作模型 Gemini Robotics 2.5,用于提升机器人在真实环境中的灵巧操作能力。该模型在200多项任务测试中,相比此前基线成功率提高30%至100%,完成速度提升20%至30%;在匈牙利和德国的梅赛德斯-奔驰产线试点中,Apptronik Apollo 2人形机器人利用该模型完成汽车零件分拣打包,成功率达96%。
推荐理由:原文给出了相比基线30%至100%的成功率提升和奔驰产线96%的实测数据,便于衡量这代模型的实际进展。
Yuke Zhu介绍了新一代世界动作模型(WAM)GR00T 2,它能够想象物理世界如何展开,并生成实现相应结果的动作。同一模型可运行于并行夹爪、灵巧手和人形机器人。
BirdDreams提出一种自回归驾驶世界模型,联合生成视角视频与示意性鸟瞰视图(BEV)视频,将场景布局纳入未来预测并支持自车轨迹控制。该模型仅需单张相机图像、无需 HD map 或 vehicle-state 输入,在 PhysicalAI-AV 和 nuScenes 上比既有模型更准确跟随输入自车轨迹;人工评测显示,其生成的周围车辆行为也比仅使用视角视频的基线更真实。
Grace Huckins 实测 Tau Robotics 的人形清洁机器人清扫公寓,机器人完成了厨房和马桶清洁,但服务仍需要远程人类操作支持。机器人上下楼梯困难、速度较慢,Tau 计划利用清洁过程中收集的数据训练更自主的版本,迄今完成了几百次清洁。
千问提出 Qwen-Drive-1.0,以 Qwen3.5-4B 为基座,在不改动预训练 VLM 架构的前提下统一 3D 感知、驾驶视觉问答与运动规划。模型增加 BEV 感知头和基于流匹配的规划专家,Qwen-Drive-1.0-SFT 在 LingoQA、Ego3D RMSE 和 WaymoQA All 上分别为 77.80、7.78 和 74.47。
Meta AI 模型正帮助匹兹堡大学 RAMMP 团队为辅助机器人构建端侧感知系统,实现实时 360 度环境感知和自适应目标检测。系统结合 SAM 自动标注、DINOv2 嵌入微调的轻量 RF-DETR,并以 DINOv3 作为紧凑视觉基础,面向电池供电设备优化。相关功能已准备进行现实测试,可检测自动门按钮、杯子和路缘/地面。