具身智能

📅 本期精选来自 2026-09-01 ArXiv 最新论文，聚焦世界模型从"单向仿真"走向"可重组、可闭环、可验证"、实时流式交互生成的两阶段蒸馏、VLA 的免训练加速与 4D 表征对齐、VLM 空间智能的导航化落地，以及具身世界模型的 3D 评测基准，共 8 篇。 ...

来源：Motus2 · 2026-09-01 · 原文链接 分类：技术报告 一句话概括 Motus2 把策略、模拟器、评估器三件事塞进同一套权重（只用改注意力掩码来切换），让模型能自己生成候选动作、想象后果、给结果打分、再用打分回传更新策略——形成闭环自我进化，配合 13 万小时第一视角人类数据金字塔，把双臂灵巧手的真机成功率从 0% 拉到 84%。 ...

来源：机器之心 · 2026-09-01 · 原文链接 分类：行业动态 一句话概括 Anthropic 推出硬件版 MCP——Model Hardware Standard（MHS），用标准化驱动把显微镜、机械臂、液体处理器等物理设备统一成「读/写」这类基本命令，让 Agent 能发现、理解并安全操控真实设备，把实验室硬件集成周期从数周压缩到数小时甚至数分钟。 ...

来源：量子位（QbitAI）（鹭羽） · 2026-09-01 · 原文链接 一句话概括 把 3D 生成的交付单位从单件资产升到带物理关系的可拆解场景，2-3 分钟单图出整场景+自动物理参数 核心要点 范式跃迁：从"造一个物体"到"造一个可拆的世界"。整体式场景生成做不到"拎走桌上的碗、挪开椅子"，因为所有内容被合并成不可拆的整块。WorldGen 把场景拆成独立资产并保留空间/物理关系，每件都可单独编辑、替换、移走——抽出关键支撑物后，周围的物体会按物理规则位移或跌落。 技术底座是 SIGGRAPH 2025 最佳论文 CAST（同期唯一与 Google、Meta 并列的商业公司）。流程四步：① 拆对象+估深度；② 逐物体生成完整 3D 几何（遮挡感知补背面）；③ 估计位姿把物体放回统一空间；④ 用物体关系图 + SDF 做物理纠错（防穿透/悬空/不合理堆叠）。WorldGen 是在 CAST 上花近一年工程化，把"多模块串联累计误差"压到了产品级。 生成流程（hyper3d.ai）：上传图→自动识别主体（可手动框选）→前景物体逐个 2-3 秒出预览，背景用 3DGS 补全→整体 2-3 分钟。开 SimReady 模式会自动补碰撞体、估计质量/摩擦/恢复系数。 具身智能场景已落地闭环：与地瓜机器人（算力/开发工具链）+ 谋先飞 MotrixSim（物理与并行仿真引擎）今年 7 月联合发布完整链路——WorldGen 出场景，MotrixSim 跑运动/抓取，地瓜机器人做训练。已对接 NVIDIA Inception，将"单资产进 Isaac Sim"拓展为"整场景进 Isaac Sim"。 游戏用法：从概念图直接出对象化场景，策划先看动线、设计师挪道具、美术再决定哪些关键资产值得精修；独立资产能直进 Blender/Unity/PlayCanvas/团结引擎/Unreal Engine 做二次创作。7 月与 Unity 中国达成合作。 影视用法：WorldGen 控 3D 基底（镜头调度、构图），Seedance 2.5 出最终画面，避免视频生成"可控 vs 好看"二选一；WorldGen 自带 AI Render 模块支持自由运镜与多风格变换。已进入实际影视项目制作流程。 XR/空间计算：单张图→可进入/浏览/调整的沉浸空间，搭配 Apple Vision Pro 等设备做室内设计、沉浸教育、空间展示。 团队对"世界生成模型"的定义（CTO 张启煊）：文本/图像→可用的三维世界；是广义"世界模型"在 3D 载体上的实例，区别于只能观看的视频世界模型。 金句 “传统做法直接将整个场景作为一个模型生成，所有内容容易被合并成不可拆解的整体，场景很难继续使用。WorldGen 的关键变化，是把场景拆解为可单独操作的资产，同时保留它们之间的空间与物理关系。"——吴迪（创始人/CEO） ...

📅 本期精选来自 2026-08-31 ArXiv 最新论文，聚焦世界模型的数据引擎与分布级评测、城市尺度空间智能、流匹配与 VLA 蒸馏、世界动作模型、长程视频记忆以及执行期触觉反馈等核心方向，共 8 篇。 ...

来源：量子位（QbitAI）（克雷西） · 2026-08-31 · 原文链接 分类：行业动态 一句话概括 MiniMax 联合 fal 推出的 H3 Max 把 5 秒 768p 视频的生成压到 3 秒以内（吞吐约为原版 H3 的 35 倍），生成终于快过播放，直接催生了「无主播、观众点播、AI 现做」的直播新形态——视频生成赛道的竞争维度，正从画质转向速度与生态黏性。 ...

📅 本期精选来自 2026-08-28 ArXiv 最新论文，聚焦视频扩散模型规模化、生成式几何估计、长视频一致性、世界模型、VLA 与机器人操作等核心方向，共 8 篇。 📄 论文精选 How Far Can 5,500 Hours of Driving Take You? A Scaling Law Analysis of Video Diffusion Models 链接： https://arxiv.org/abs/2608.28404 ...

📅 本期精选来自 2026-07-02 ArXiv 最新论文，聚焦世界模型、3D生成、扩散模型、具身AI与机器人学习等核心方向，共 8 篇。 📄 论文精选 World from Motion: Generative Dynamic Gaussian Reconstruction from Monocular Video 链接： https://arxiv.org/abs/2607.01202 一句话总结： NVIDIA 提出 World from Motion，用视频生成模型从单目视频生成可自由渲染的高质量动态 3D Gaussian 场景，实现 4D 重建 SOTA。 ...

📅 本期精选来自 2026-07-01 ArXiv 最新论文，聚焦世界模型、视频生成、具身智能、机器人学习、生成模型等核心方向，共 8 篇。 📄 论文精选 DVG-WM: Disentangled Video Generation Enables Efficient Embodied World Model for Robotic Manipulation 链接： https://arxiv.org/abs/2606.32028 ...

📅 本期精选来自 2026-06-30 ArXiv 最新论文，聚焦世界模型、视频生成、具身AI与机器人、生成模型理论等核心方向，共 8 篇。 📄 论文精选 Orca: The World is in Your Mind 链接： https://arxiv.org/abs/2606.30534 一句话总结： 提出通用世界基础模型 Orca，通过统一的 Next-State-Prediction 建模范式，在共享的世界潜空间中同时支持文本生成、图像预测和具身动作生成三类下游任务。 ...