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

聚焦物理推理本身，25个仿真环境+13基线评估TAMP/RL/IL/FM

首个高保真无人机具身搜救基准与仿真平台。

首个统一评估交互式世界模型的基准，提出动作生成框架，跨4.9K任务对14个模型做九维评测。

用第三人称视频生成作为中间表征，把任务指令转化为可执行的人形机器人行为，无需任务专属数据采集。

用3D语义占据把真实场景搬进Minecraft，并配套大规模数据集和VLN导航验证

X-WAM：统一4D世界动作模型，联合预测多视角RGB-D视频与机器人动作

首篇VLA模型安全性综述：以训练时/推理时双时间轴统一梳理攻击、防御、评估与部署

面向3D具身智能体的免训练推理时幻觉缓解框架

面向多智能体多视角的可扩展视频世界建模框架

提出LARYBench基准，评估潜在动作表示在语义理解和机器人控制两个维度上的能力

提出Seeing Through Touch框架，用局部视觉-触觉对齐实现触觉引导的材料分割。

腾讯混元具身基础模型家族，MoT+自进化训练+蒸馏，2B 小模型 SOTA 22 基准。

开源 3D 框中心化的空间数据引擎，合成 3M 多任务样本让 VLM 在空间推理基准上平均提升 14.1%。

用预训练视频扩散器当价值模型，联合预测未来本体状态与价值，突破VLM在长程任务中的时序建模瓶颈。

基于宝可梦Z-A的3D长视距VLM基准，揭示当前视觉语言模型的物理死锁恢复瓶颈。

把7自由度机器人动作编码成像素级动作图像，让视频主干直接当零样本策略

首个将三维点云作为可更新世界状态、闭环驱动自我中心手物交互视频生成的模拟器。

首个动作条件化的第一人称视频世界模型，融合人体姿态联合建模。