把机器人执行视频转成进度曲线，用 OPD 指标体系细粒度评估具身模型的过程能力

冻结模型参数，通过进化技能与上下文支架免训练适配具身智能体

602段360°视频重建秋叶原，175个人工任务暴露LMM城市导航远逊人类

用约200美元的开源头戴设备，规模化采集带同步IMU的双目自我中心视频

用执行中心的能力分类法训练四类专家再合并蒸馏成统一具身VLM

视频全局空间感知基准，揭示最强VLM仍落后人类36分，定向训练可大幅缩小差距。

把第一人称人手操作视频转成1.86万小时机器人训练数据，提升VLA跨分布泛化。

仅用一张RGB图与指令，从冻结视频扩散中间特征直接读出6-DoF物体轨迹。

把真实家庭改造成同步多模态录制棚，构建具身AI的长时程人-物交互数据引擎

三阶段框架让VLM先调用专业视觉工具，再把工具能力内化为无工具推理。

冻结 VLM 通过原子技能控制人形身体，瓶颈不在感知而在具身自意识。

用高保真手持采集替代遥操作，实现零机器人数据的策略训练与直接部署

用五层数据金字塔系统化组织具身智能数据生态

首个评测 VLM 智能体在多物体 3D 场景上执行动作的可执行基准

三尺度具身基础模型，新增3D接地与接触点预测，统一动作空间跨本体VLA。

开源2000小时手机采集的第一人称操作数据集及端到端工具链

用十万小时UMI真实轨迹预训练的VLA基础模型，刷新四大机器人基准SOTA

提出世界-动作漂移攻击，让机器人想象正常却执行失败动作

统一语言推理与视觉想象，单模型端到端生成具身规划

用混合专家架构把世界动作模型推理延迟降到85毫秒。