📅 ArXiv 在周末不做公告推送，而周一（9/7）批次按惯例要到北京时间 9/8 凌晨才会上线，因此本期为周末补遗二：继续从 2026-09-04 公告批次中补选 8 篇高相关、此前未及收录的工作（均通过 arXiv ID 与标题双重去重）。本期主线落在四条：世界模型正在从"堆更大的生成器"转向"精确切分信息流"——冻结模型只优化动作、按去噪阶段分配监督、把物理仿真与离线渲染解耦；视频生成的经验性玄学开始被量化成可设计参数（相机步长阈值、量化位宽与阶段的对应关系）；VLA 的鲁棒性焦点从"多加数据"转向"理清每个传感器该负什么责"，并首次把触觉纳入跨本体验证；空间智能则出现了不绑定主干的免训练外挂路线，共 8 篇。 ...
📅 ArXiv 在周末不做公告推送，本期为周末补遗：从 2026-09-04 公告批次中补选 8 篇高相关、此前未及收录的工作（均通过 arXiv ID 与标题双重去重）。主线落在四条：世界模型在自动驾驶中正从"推理时生成未来"转向"训练时提供监督 / 想象时保持长程一致"；VLA 的能力瓶颈从"预训练表征够不够丰富"转向"中间特征是否control-sufficient、能否感知物理接触"；数据侧出现"横向扩展来源"与"纵向在线纠错"两个互补杠杆；而评测与空间智能方向则集中出现了把模糊失败模式拆解到具体部件的漂亮诊断工作，共 8 篇。 ...
📅 本期精选来自 2026-09-04 ArXiv 最新论文，聚焦世界模型从"预测未来帧"走向"显式建模世界状态"的范式迁移：物理/几何/外观被提升为可联合建模的原生状态，相机可控性成为跨越生成与控制的统一接口，想象力本身开始被"调度"以压缩 VLA 后训练成本，而 3D 记忆与 4D 分解则分别在长程一致性与空间推理上给出新的可验证约束，共 8 篇。 ...
来源：机器之心 · 2026-09-04 · 原文链接 一句话概括 用 DINO-v3 编码的未来观测 latent 作训练期联合目标、推理时整支移除，640 次真机实验成功率 62.5%（最强基线 30%，2.1×） 核心要点 核心主张：视频生成对机器人控制是负担，不是资产。 视频式 WAM 同时预测动作和未来视觉轨迹，但"世界模型的目的并不是复现真实世界在每一个中间时刻的视觉信息，而是预测动作执行后达到的世界表征"。中间帧只描述物理状态之间的视觉过渡，占用大量模型容量与算力，且无法直接刻画物理结果。开门任务中机器人需要的是"抓住把手→旋转→推门→门保持指定角度"，不是机械臂每一帧的外观变化。 三条路线的预测目标对比： VLA：从当前条件预测动作（动作会给环境带来什么，隐含编码在参数里） 视频式 WAM：联合预测动作 + 完整未来视觉轨迹 DELE-w0.5：联合预测动作 + 动作结束后的未来世界表征（更紧凑、更贴近控制目标） 架构：双流 Transformer。语言用 Qwen3 编码，视觉用 DINO-v3 编码（1 个头部视角 + 2 个腕部视角）。动作侧一次预测长度 60 的动作序列；Astribot S1 双臂机器人每时间步 14 维动作（两臂位置变化、姿态变化、夹爪状态）。 条件流 + 噪声流：条件流处理语言与当前视觉并融合为统一条件表征；噪声流处理加噪的动作序列与未来世界表征，用 Flow Matching 同时学习动作去噪和未来状态去噪。 未来世界表征不是生成的图片，而是 DINO-v3 对未来观察的编码，用来表征物体位置、机械臂状态、空间关系。模型只在 latent 空间学状态变化，无需还原完整视觉画面，也无需生成中间视频帧——这是与视频式 WAM 最本质的区别。 非对称注意力（关键设计）： 动作 token 可读语言、当前观察、动作序列内部，但读不到未来状态目标——防止动作预测提前看到答案； 未来世界表征 token 可读语言、当前观察和动作，学的是"执行这组动作后环境会进入什么状态"； 未来表征的损失通过共享参数参与训练，所以动作生成路径虽然读不到未来 token，其底层表征仍受"动作后果学习"的影响。 推理时未来表征 token 全部移除，只保留语言、当前观察、动作。机器人无需先生成未来图片、也无需等待视频去噪完成，控制链路更短。未来表征在 DELE 中只承担训练监督功能，不是每次行动前的显式步骤。 完全自研基座：未使用开源机器人基础模型、VLA 或视频生成模型的既有权重做二次封装，模型结构、可行动世界状态表征、具身数据配方、本体适配均围绕真机任务设计。 实验结果（640 次真机实验）：Astribot S1 双臂，4 项长程任务（开带把手的门 / 冰箱取可乐 / 杯中加冰 / 爆米花放微波炉并启动），8 种方法，每项任务每方法 20 次正式测试，相同任务数据等量微调、一致指令与 180 秒预算。 完整任务成功率 62.5%（80 次成功 50 次），最强基线 XR0 为 30.0%（+32.5pp，2.1 倍） 平均有序阶段进度 81.3%，该指标最好基线 GWP0.5 为 61.3%（+20.1pp） 分任务：开门 80%、冰箱取可乐 65%、微波炉爆米花 60%、杯中加冰 45%，四项均最高 对比基线：GWP0.5、XR0、π0.5、LingBot-VLA2、HY-VLA、Spirit-v1.5、GR00T-N1.7 推理延迟中位数 87.5ms（RTX 4090），快于 GWP0.5、π0.5、LingBot-VLA2、HY-VLA，与 Spirit-v1.5 接近但成功率更高 “有序阶段进度"是个值得借鉴的评测设计：记录机器人连续完成到了哪一步，前置步骤没完成则后面的偶然动作不计入进度。这能显示模型在哪个阶段失败，也避免"一次成功抓取掩盖后续执行问题”。 真正的差距在任务后半程。分阶段分析显示：难点常在技能之间的连接处——抓住物体后要保持此前的任务状态、切换执行手臂和交互对象、把流程推进到最终条件。开门任务 20 次全部到达"旋转把手并推门"阶段、最终完成 16 次；多数基线能抓到把手，但在旋转与推门的配合中失败。 涌现迹象（技术报告称为"目标条件下的行为重组"）：① 机器人拿爆米花准备放进微波炉时实验人员把门关上，机器人保持手中目标物、重新开门、完成任务；② 微波炉门只留一条窄缝，机器人没有回到训练中学过的把手流程，直接用手里的包装把门推开。数采员从未采集过这两种情况。 zero-shot 跨背景：从杂乱办公工位到开阔会议室，桌面材质、空间布局、光照、视觉背景显著变化下仍能完成微波炉和杯中加冰任务——不依赖固定场景、不记忆特定背景。 公司背景：深度跃迁（DeepLeap），专注"从真实任务中持续进化的跨本体具身大脑平台"，已完成复兴创富独家投资的数千万元天使轮融资。 金句 “世界模型的目的并不是复现真实世界在每一个中间时刻的视觉信息，而是预测动作执行后达到的世界表征。” ...
📅 本期精选来自 2026-09-03 ArXiv 最新论文，聚焦交互式视频世界模型的"开放基座"化、把 3D 几何注入世界动作模型、VLA 跨本体迁移的量化归因、长程操作中语义意图与连续控制的解耦、世界模型在人形运动中的预测性表征价值，以及世界模型训练目标从"重建得像"转向"判别得出"的范式迁移，共 8 篇。 ...
📅 本期精选来自 2026-09-02 ArXiv 最新论文，聚焦相机可控视频生成的度量尺度失效问题、视频预训练向世界动作模型的规模化兑换、大型视频生成器"零新增动作模块"转化为可交互世界模型、世界模型训练目标的监督重分配、界面世界模型与少步蒸馏，以及 VLA 从"输出动作"走向"组织可复用抽象"，共 8 篇。 ...
📅 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。 ...
📅 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。 ...
📅 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 2026-06-25 ArXiv 最新论文，聚焦扩散模型、视频生成、VLA具身智能、自动驾驶等核心方向，共 8 篇。 📄 论文精选 Learning Action Priors for Cross-embodiment Robot Manipulation 链接： https://arxiv.org/abs/2606.26095 一句话总结： 提出两阶段训练框架，在 VLA 训练前用流匹配预训练动作模块，赋予其跨具身时序运动先验，显著提升多任务操作成功率。 ...