Wall-OSS-0.5：预训练即可执行的开源 VLA 基座 · vla

大规模 VLA 预训练的"有效性"几乎总是在任务微调之后才被报告，这留下了一个根本问题——预训练本身能否直接产生可执行的机器人行为，还是只是给下游策略一个更好的初始化？自变量机器人（X Square Robot）用 Wall-OSS-0.5 给出一个可在真机上直接测量的答案。

X Square Robot 团队 · arXiv 2605.30877 https://arxiv.org/abs/2605.30877

这是一个 4B 参数的 VLA，构建在 3B VLM 主干之上、加入动作生成组件；跨 20 多种本体预训练，每个 epoch 处理超过一百万条机器人轨迹，配合一份带"具身桥接样本"的 9000 万规模多模态语料。训练采用单阶段三源混合（自采操作数据、精选开源多本体轨迹、由动作轨迹合成的具身桥接多模态语料），核心是"梯度桥接联合训练"（gradient-bridged co-training）——动作监督在预训练阶段就直接塑造 VLM 主干，而非把机器人动作当作独立的下游模块。在 17 个任务的真机 zero-shot 套件上，多项任务的进度分超过 80（积木分拣 100、水果分拣 96、套环堆叠 86）。论文据此主张，把 VLA 预训练从"一种初始化策略"重新定位为"可直接测试、且已经可用"的能力。

Physically Viable World Models：世界模型要能回答"干预"，而不只是预测画面 · world-model

当全行业都在比拼世界模型生成的视频有多逼真，这篇论文提出一个更尖锐的判断：视觉上可信的 rollout 可能在物理上是错的，因为外观相同的系统在受到干预时会分道扬镳——这是结构性缺陷，不是清晰度问题。

Adam J. Thorpe et al. · arXiv 2605.30542 https://arxiv.org/abs/2605.30542

作者用"固定可见场景、只改变潜在物理"的受控基准暴露观测预测型世界模型的失效：它们可能推荐不可行的动作、误判交互结果、甚至为不安全行为背书。论文主张具身 AI 需要的是能识别"足以回答某个干预查询的最简物理抽象"的世界模型——最合适的抽象不是对世界最详尽的刻画，而是保留了与查询相关区分度的最简模型。在世界模型成为今日产业焦点的背景下，这是一份有价值的冷思考。

DeMaVLA：面向可变形物体操作的 VLA 基座模型 · manipulation

叠衣服这类可变形物体操作是公认的硬骨头：现有 VLA 多为每类物体单训一个策略，而朴素的混合多任务训练又会互相干扰。这篇尝试用单一基座覆盖跨品类、跨几何、跨场景的折叠。

Taiyi Su et al. · arXiv 2605.31286 https://arxiv.org/abs/2605.31286

DeMaVLA 采用 VLM 主干加动作专家，用 flow matching 做连续动作生成，专门处理衣物从随机初始状态、跨类别/几何/材质/场景的折叠任务。在 RoboTwin 上取得有竞争力的成绩，并在作者自建的家庭折叠任务上有较强的真机表现。

SSR：把人形机器人的稳健行走推向开放世界 · locomotion

人形要落地人类环境，必须在异构地形上既靠视觉保证落脚安全、又产出协调自然的全身动作，这两件事此前很难兼得。

Ruiqi Yu et al. · arXiv 2605.30770 https://arxiv.org/abs/2605.30770

SSR 是端到端的第一视角视觉人形穿越框架，提出"想象落脚点引导"（imagined foothold guidance）——预测即将到来的摆动脚触地点并评估其支撑性，在触地前把摆动腿导向稳定区域以减少边缘打滑；并用等变潜空间对称增强，在高维视觉观测下高效诱导双侧协调。

DecMem：用解耦记忆把一致世界生成推到分钟级 · world-model

长时程下保持精细的时空一致，是当前世界模型生成的核心痛点；该工作社区热度 HF↑7。

Zhenhao Yang et al. · arXiv 2605.31336 https://arxiv.org/abs/2605.31336 · HF↑7

针对朴素可学习记忆在长程外推中的两个根本缺陷——计算低效与注意力弥散——提出解耦记忆架构：用"稀疏全局记忆"做高效的细粒度全局历史访问，用"锚定局部记忆"做稳定高质量的外推，在长程一致世界生成上显著超过现有 SOTA。

HARP-VLA：让机器人更有效地从海量人类视频学策略 · vla

从人类视频规模化学 VLA 很诱人，但人和机器人在视觉观测与可执行动作上的跨本体鸿沟一直挡路，错位的视觉表征会污染策略输入。

Xiang Zhu et al. · arXiv 2605.31234 https://arxiv.org/abs/2605.31234

HARP 用少量配对的人–机器人示范作为跨本体桥梁、配合大量未配对的人类与机器人数据，训练一个机器人适配的视觉编码器与潜动作模型，引入以操作为中心的辅助线索和"源相对的成对判别对齐损失"，缓解人/机器人视觉表征错位带来的输入不一致，从而更有效地与人类视频协同训练。

Hide-and-Seek：在执行过程中发现 VLA 的失败信号 · vla

VLA 上真机后会出执行失败，运行时检测对可靠部署至关重要；现有方法要么依赖昂贵的动作重采样/外部模型，要么把轨迹级标签均匀摊到每一步、淹没了局部失败信号。社区热度 HF↑5。

Seongheon Park et al. · arXiv 2605.30834 https://arxiv.org/abs/2605.30834 · HF↑5

论文把 VLA 失败检测形式化为"粗监督"学习问题，结合轨迹间与轨迹内的对比目标来定位失败信号；在共形预测框架下取得 SOTA 的多任务失败检测，兼顾准确率与及时性，并有较好的跨场景泛化。

Survival RL：面向可扩展自监督 RL 的分类式新路径 · locomotion

自监督对比 RL（CRL）能训很深的网络，却在长程目标条件规划上受困于对比损失固有的"一致性–容差"两难。

Franki Nguimatsia-Tiofack et al. · arXiv 2605.31273 https://arxiv.org/abs/2605.31273

提出 Survival RL（SRL），一种在线分类式方法，通过最大化智能体在目标处的"停留时间"来扩展生存价值学习框架，绕开 CRL 的结构约束，并缓解生存框架常见的"bang-bang"控制。在多种机器人基准上，规模化 SRL 在操作任务上与 SOTA CRL 持平，在稳定的长程运动任务上以 2× 到 8× 胜出。

VAST ｜ A+ 及 A++ 轮 ｜ 合计近 2 亿美元 · world-model

领投方为渶策资本、国寿长三角科创基金；产业与国资方包括深圳市人工智能终端产业基金（产业方为荣耀）、上海半导体产投、深创投、元生资本等，老股东春华创投、靖亚资本、BV 百度风投等超额追投。这是 VAST 继今年 3 月 5000 万美元 A 轮后、两个月内再获加持。公司主业为 Tripo 系列 3D 大模型，本轮同步对外披露世界模型路线 Project Eden（详见产业章）。来源：量子位 原文

宇树科技 ｜ 科创板 IPO 过会 ｜ 拟募资 42.02 亿元 · humanoid ⚠️ 出货排名为公司口径

自 3 月 20 日 IPO 申请获受理到过会仅 73 天，冲刺"A股具身智能第一股"。宇树自述为全球首家高性能四足机器人商业化落地企业、2025 年人形机器人出货量居全球第一；高盛在同期调研中称亚太机器人估值较美国约低 21%。无锡国资为投资方之一，市场测算王兴兴身家或超 140 亿元。来源：新浪新闻等 6 家 https://news.sina.cn/gn/2026-06-01/detail-inhzwyqq3939735.d.html?vt=4&cid=56261&node_id=56261

简智机器人 ｜ 数亿元多轮融资 · adjacent

蚂蚁、滴滴、德联领投。简智定位具身智能"数据基础设施"（数据采集与服务）。在数据被普遍视为量产首要瓶颈的当下，互联网与出行巨头联手押注具身数据，是这条赛道资本逻辑的延续。来源：具身纪元 原文

Mecka AI ｜ 6000 万美元 ｜ Framework Ventures 领投 · adjacent

机器人 AI 数据平台，主张把"机器人训练数据"做成一个独立的创业品类——与简智、戴盟等同属今日资本集中加注的具身数据赛道。来源：WEEX https://www.weex.com/zh-CN/news/detail/the-robot-ai-data-platform-mecka-ai-has-completed-a-60-million-financing-round-led-by-framework-ventures-vmsygnngafzuf3le4v5jayq1

擎天租 ｜ A 轮及 A+ 轮 ｜ 数亿元 ｜ 估值 70 亿元 · adjacent ⚠️ 估值为单方披露

机器人租赁/资产运营方向，宣布完成融资后迅速与京东达成全面战略合作，加速机器人规模化进场；具身赛道再添一只独角兽。来源：雷峰网等 3 家 https://www.leiphone.com/category/robot/zhPxQzcNst3PudVV.html

黑漫科技 ｜ 数千万元融资 · embodied

灵巧手企业再获数千万元融资。灵巧手是当前具身硬件投资的活跃细分，但高盛调研中多家公司同时指出五指灵巧手寿命短、成本高，近期路线更偏三指夹爪。来源：盖世汽车社区 https://i.gasgoo.com/news/70460085.html

卡诺普机器人 ｜ 递交港股 IPO 招股书 · industrial

以"焊接机器人第一"背景，按 18C 特专科技公司规则拟赴港上市，国泰海通独家保荐——又一家从传统工业机器人向具身智能转型的厂商冲刺资本市场。来源：新浪财经 https://finance.sina.com.cn/wm/2026-06-01/doc-inhzwpyv2562620.shtml

英伟达 GTC 台北：开源世界模型 Cosmos 3 与 32B 智驾推理模型 Alpamayo 2 Super 齐发 · world-model

Cosmos 3 是英伟达下一代开源"omnimodel"，在单一系统里处理文本、图像、视频、环境音与动作数据：可作视觉-语言模型分析视频（合作方 Linker Vision 用于智慧城市交通异常检测）、作世界模型生成稀有场景（险情、仓库异常摆放）的逼真视频、作"世界-动作模型"产出关节角/夹爪位姿等数值动作数据（工业伙伴 Agile Robots 演示取放学习）。架构采用 mixture-of-transformers——一个推理 transformer 分析场景、一个生成 transformer 产出视频/描述/轨迹，训练数据覆盖数十亿条文本图像视频音频与动作样本；提供 Super、Nano 与即将推出的 Edge 三档，按 OpenMDW-1.1 许可上 Hugging Face 与 GitHub，并组建含 Black Forest Labs、Runway、Agile Robots、Skild AI 的"Cosmos Coalition"。同台发布的 Alpamayo 2 Super 把面向 L4 的开源智驾模型从上代 10B 提到 32B，新增输出"变道/停车/让行"等元动作交给下游规划器，并为每个决策附一条"因果链"文本推理以供安全与监管存档。✅ 已证实 来源：the-decoder https://the-decoder.com/nvidia-bets-big-on-physical-ai-at-gtc-taipei-with-a-new-world-model-driving-brain-and-open-humanoid-robot/

英伟达 Isaac GR00T 人形参考设计：宇树 H2 Plus 出"身体"，英伟达出"大脑" · humanoid

这是首款基于 Jetson Thor 与 Isaac GR00T 开放平台的开源人形参考设计：机体采用宇树 H2 Plus（31 自由度），双手用 Sharpa 五指方案（共 22 自由度），Jetson Thor 提供 2070 FP4 TFLOPS 算力、14 核 Arm CPU 与 128GB 内存；配套从数据采集生成到模型评测部署的全流程开发平台。参考机将于 2026 年底由宇树推出，主要面向高校与科研机构（Ai2、ETH Zürich、Stanford Robotics Center、UC San Diego 等已计划使用），意在降低前沿人形研究在硬件集成、数据采集、仿真训练与真机验证上的门槛。这也是宇树 IPO 过会同日落地的另一记重磅，"英伟达大脑 + 中国本体"的分工格局进一步明确。✅ 已证实 来源：机器人前瞻 原文

英伟达全球 robotaxi 布局加速：DRIVE Hyperion 锁定多家车企，Uber 选定慕尼黑试点 · autonomy

据报道，NVIDIA DRIVE Hyperion 平台已锁定比亚迪、吉利、日产与 Uber 推进 L4 robotaxi；Uber 与 Autobrains 在英伟达支持下选定慕尼黑作为自动驾驶出租车测试基地（Reuters 等多家报道）。与富士康在 L4 整车上的合作叠加 Cosmos 3、Alpamayo，英伟达把"车端–机器人–世界模型"打成了一条物理 AI 全栈。来源：Reuters 等 5 家 https://www.reuters.com/technology/uber-autobrains-target-munich-robotaxi-rollout-2026-06-01/

VAST 披露世界模型 Project Eden：把状态推演与渲染原生解耦 · world-model

区别于业内常见的"动作条件视频生成"与"静态 3D 场景生成"，Project Eden 采用三层架构：底层结构化状态层维护一个独立于相机视角、跨时间持续存在的全局世界状态（紧凑隐式表征，非 4D 点云）；中间条件接口层把状态转成特定视角下的语义与几何约束；上层生成式渲染层只负责补全纹理光照等细节。解耦后，状态模型只推理"发生了什么"、渲染模型只呈现"看起来怎样"，从架构上自然支持环境长程持久化、场景自由复用与原生多人/多智能体并发（算力随人数线性而非指数增长）。数据上以 L1 海量互联网视频反向解构 + L2 引擎 Agent 7×24 合成双态数据驱动。落地指向消费端 AI 原生沙盒与具身智能高质量仿真基座两个方向。⚠️ 能力来自厂商 demo 与披露 来源：机器之心 原文

星海图发布 VLA 基座 G0.5：把 VLM 重新推回动作生成中心 · embodied

G0.5 不再用"VLM 当编码器、外接独立动作专家"的主流结构，而是让同一个 transformer decoder 在同一条自回归序列里同时生成推理 token 与动作 token；为恢复早期自回归 VLA 因 token 过长被放弃的工程可行性，引入可学习的 VQ 动作编解码器与 active-DoF 预测（只为本步真正要动的部件出 token）。真机六任务平均成功率 76.7%（高于 π0.5 近 24 个点、超 GR00T-N1.7 50 余点），DROID zero-shot 82.5%，LIBERO 98.9%、RoboTwin 2.0 93.3%；团队也坦承在微波炉、热狗烹饪等容器交互任务上 π0.5 仍更强，说明预训练数据分布仍直接影响下游能力。⚠️ 评测为团队自报 来源：具身智能之心 原文

高盛走访 14 家中国机器人公司：进步显著，但规模化要等到 2027–2029 · industrial

高盛分析师 5 月 18–22 日密集走访优必选、银河通用、星海图、千寻智能、自变量、戴盟、帕西尼、越疆等 14 家公司，给出"行业更接近商业化现实、但投资者需要耐心"的克制判断。几个共识信号：形态上正转向轮式底盘加两三指夹爪（星海图称可覆盖约 90% 工业场景），五指灵巧手因寿命/成本被多家暂排出近期路线；架构上世界模型正成为 VLA 的"功能配合层"，模型规模从几十亿向 40B–80B 多模态栈演进；数据仍是首要瓶颈，集中式"数据工厂"（帕西尼已运营 5 座、优必选地方政府购机模式）与分布式回流（星海图 80–90% 真机遥操、目标年内 100 万小时）两条路线并行。商业化漏斗为 POC 3–6 个月、小批量每厂≤50 台、约 12 个月验证期；优必选 2026 目标约 1 万台，工业人形 ASP 从 2025 的 70–80 万元降到 2026 引导的 55–65 万元、BOM 已降至略高于 20 万元。多数玩家认为大规模部署要到 2027–2029。来源：DeepTech 深科技 原文

世界模型评测榜单同日多点开花：智元 GE 2.0 与同济"无界"分获榜首 · world-model

智元自研 Genie Envisioner-Sim 2.0（GE 2.0）登顶 WorldArena 榜单；同济大学空间智能团队联合考拉悠然、上海码极客研发的"无界"世界模型，在 WorldArena Track-1 视频质量赛道取得开源版全球第一、闭源版全球第二。叠加英伟达 Cosmos 3、VAST Project Eden，世界模型在 6 月 1 日成为产业最密集的战场。⚠️ 均为榜单/厂商口径 来源：Agent Power 原文

普渡发布 PUDU D7 并落地"全球首个全流程机器人服务酒店" · industrial

普渡机器人发布新一代 PUDU D7，定位工业半人形、14kg 承重、支持边工作边学习；同时与深圳文旅签约，共建号称全球首个实现全流程机器人服务的智慧酒店，落子深中通道西人工岛。服务机器人头部厂商正从单点配送向"整场景"商业部署延伸。⚠️ "全球首个"为合作方口径 来源：acrofan 等 4 家 https://us.acrofan.com/detail.php?number=1013525

OpenAI 重返机器人：开放四大核心岗位，世界模型与硬件并行 · embodied

OpenAI 启动机器人方向招聘（四个核心岗位），据报路线同时覆盖世界模型与硬件；Sam Altman 表态"每个人都将拥有个人机器人"。这是 OpenAI 解散初代机器人团队多年后的明确回归信号。⚠️ 目前为招聘与表态口径 来源：具身纪元 原文