通用机器人智能的核心瓶颈是缺乏将物理世界经验转化为机器人可用监督信号的机制，需要构建四大支柱组件。

提出WLA模型统一世界建模、语言推理和机器人控制，实现高效长时程任务执行

用一个 Mixture-of-Transformers 统一语言/图像/视频/音频/动作的理解与生成

首个全人工标注的流式空间智能基准，揭示多模态大模型在自我中心视频流上的空间推理巨大缺口。

提出TVR任务和TVRBench基准，发现基础模型难以通过主动探索重现目标视角，后训练提升至51.4%

从图像生成的物理因素出发，评测具身场景下VLM在材质/视角/光照/几何四类视觉应力下的鲁棒性。

把多选题改造成机器人抓取任务，诊断VLA是否真懂指令语义。

统一多任务多机器人的视觉-语言-行动模型，通过DiT解码器和具身感知prompt实现泛化。

将深度图生成融入VLM预训练，提升空间推理与物理操作能力

跨范式确定性空间基础模型评测基准，配套DA-Next-5M与DA-Next。

基于VLM的模板化RLE几何表示，统一生成刚体/可变形/铰接仿真3D资产

提出首个要求主动探索的空间智能基准，揭示行动选择比感知能力更重要

用自进化的视觉热图替代文本记忆与教师 LLM，为 3B VLM 智能体注入密集空间奖励。

在真实 ShadowHand 上构建德州扑克基准，联合评估灵巧操作、感知与闭环决策。

把静态 3DGS 场景拆解成可编辑、可物理交互的对象化场景。

VLM规划器与VGM模拟器在双相循环中互训，从无标注种子图自演化机器人操作。

首篇系统综述将世界模型融入动作生成的具身基础模型范式，提出 Cascaded/Joint WAM 二分法。

系统梳理世界模型在机器人策略学习、模拟器、视频生成与导航驾驶中的架构范式、功能角色与评测体系。

构建百万小时人类视频语料，验证替代机器人数据的可行性

首篇系统综述大模型时代音视觉感知/生成/交互三大支柱的统一分类法与方法论