训练时用动作条件化世界模型教策略预知手与场景动态，部署时只留策略本体

按时间填充记忆的VLA把等待当干活，事件索引免重训练即可挽回过半损失

单一编码器统一压阻/磁/视触觉表征，免训练迁移至未见传感器，全面提升模仿、VLA 与强化学习策略。

以纠正代码为接口连接推理与控制，BEHAVIOR 2026 百任务 Q 分 0.6411

用神经 ODE 学习动作的向量场，每个动作由前一个动作积分而来，策略天然连续、高效、平滑。

以π0.5为基座做空间对齐持续预训练，真实世界操作成功率较π0.5提升24个百分点

去掉视觉编码器，让动作专家直接读取主干不同深度的视觉表征，实现更强更稳的操控。

以几何锚定与解耦解码器潜动作，让机器人 VLA 从人类演示学会新物体与新技能

把「人换机器人」做成虚拟试穿：三阶段生成管线从人类视频合成带动作标签的机器人演示

路由器协调慢速大脑与快速策略，运行中的策略永不等待大脑

解耦视频与动作监督的作用，用双专家流匹配世界模型实现机器人跨任务泛化

用编码模型自动迭代设计冻结机器人策略的外围控制框架，免训练将成功率提升3-4.5倍

SO-101数字孪生仿真基准：纯仿真训练系统真机排名零违约，LLM智能体83.2%登顶

用感觉表征与运动轨迹的近邻几何对齐度 S² 离线预测机器人模型任务成功率

用2000+小时第一人称人类数据预训练人形VLA，借助伪本体感觉与视觉适配完成人到机器人迁移

用50个物理token预测未来RGB、深度与光流，让VLA零推理延迟地理解物理动力学

把动作思维表示为动力学链，用想象未来与观测未来的对齐作奖励，让无动作标注的人类视频也能训练VLA

让世界模型可回溯到关键决策点，用反事实分支对比生成动作级监督，稳定改进真机策略

OSMA-Bench 揭示 VLM/VLA 家用机器人策略难以把障碍物语义谨慎转化为实际运动

用共享潜在动作接口统一人类、机器人与仿真视频，训练跨具身世界模型并合成机器人训练数据。