世界模型综述：架构、方法、推理范式与应用的统一框架 · world-model

"世界模型"今年从强化学习、自动驾驶到视频生成多线并进，但这个词如今同时指代潜在动力学模型、动作条件视频生成器、3D/4D 场景预测、物理仿真器——定义高度碎片化。这篇用一套四维分类法把散落的设计选择收拢，是今日同时出现的几篇世界模型综述里最系统的一份。

Arif Hassan Zidan et al. · arXiv 2606.00133 https://arxiv.org/abs/2606.00133

沿四个维度建立多轴 taxonomy：架构（表征格式、动力学形式、输入模态、学习范式、下游应用）、方法族（state-space、recurrent、Transformer、diffusion 等）、推理机制、应用场景，横跨强化学习、机器人、自动驾驶与视频生成，试图给"内部模拟器"这一通往 AGI 的核心范式提供统一坐标系。

从人类视频到机器人操作：可扩展 VLA 学习综述 · vla

VLA 训练长期受困于机器人示范数据昂贵且与特定本体强绑定；人类视频海量、富含交互信息，是绕开"数据墙"最被看好的来源。难点在于人机本体差异与缺乏任务对齐标注，使其难以直接喂给 VLA。

Zhiyuan Feng et al. · arXiv 2606.00054 https://arxiv.org/abs/2606.00054

按从人类视频中提取的动作相关信息把现有方法分为四类（如 latent action 等），统一梳理"人类视频如何转化为 VLA 可用知识"的流水，并讨论 embodiment 差异、任务对齐标注缺失等核心障碍。

主动找视角：基础模型能靠主动探索对齐目标视点吗 · perception

人类能通过转头转身复现一张目标图所指定的视角，但当前"空间智能"大多被当作对预先采集观测的被动理解来研究。这篇把它改造成一个需要主动行动的任务，结果暴露了相当大的能力缺口。

Liyang Li et al. · arXiv 2606.01247 https://arxiv.org/abs/2606.01247 · HF 21↑

提出 Target Viewpoint Reproduction（agent 在 3D 环境中主动调整视角直到观测匹配给定目标图）与室内仿真基准 TVRBench；评测显示最强开源/闭源模型成功率仅 7.8% 与 12.0%，两个一致瓶颈是难以利用多轮视觉历史、以及视角差异大时性能骤降。

ConstrainedMimic：人形机器人的约束式全身追踪 · locomotion

RL 已让人形获得相当敏捷的全身动作，但要满足训练之后才追加的安全约束仍很难。把控制论里的硬约束接回学习策略，是把"会动"推向"敢部署"的关键一步。

Daniel Morton, Pranit Mohnot, Marco Pavone（Stanford）· arXiv 2606.00374 https://arxiv.org/abs/2606.00374

在 RL tracking 策略内用全身运动学与动力学做实时约束执行，融合 operational space control 与 control barrier function，对运动参考与底层动力学施加任意运行时约束；在仿真 Unitree G1 上演示碰撞规避等运行时约束满足。

HOIST：人形机器人操控悬挂负载 · locomotion

让人形操控悬挂、摆动的负载是个欠驱动难题——机器人只能靠全身运动与间歇接触去影响一个会晃的载荷。纯模仿学习安全却不优化最终落点，纯 RL 在真机上不安全也低效，HOIST 把两者拼在一起。

Songyang Liu et al. · arXiv 2606.00252 https://arxiv.org/abs/2606.00252

先用 VR teleop 示范微调高层 VLA 策略、经全身控制器执行，再用 VLA rollout 加迭代批量 RL 改进落点精度与停止行为。

AHEAD：用潜在世界模型让 VLA 抓住动起来的物体 · world-model

主流 VLA 默认观测到执行之间场景静止，物体一旦移动，从观测到动作的延迟就超过了可抓取的时间窗，于是抓空。这篇给冻结的 VLA 外挂一个运动感知的潜在世界模型，做"先预测再动作"。

Shahram Najam Syed et al. · arXiv 2606.02486 https://arxiv.org/abs/2606.02486

一个小世界模型在 VLA 的特征空间里预测未来 patch token，按每个 token 的速度/加速度（来自光流）条件化；语言与运动显著性 mask 把预测算力集中到任务相关 patch 上，从而在不重训主干的前提下处理执行过程中移动的目标。

PaCo-VLA：给接触密集操作加一道被动性"安全阀" · manipulation

VLA 的语义泛化强，但低频输出不适合直接驱动力敏感的接触操作。与其把电机指令的权限直接交给 VLA，不如把它的输出降级成"任务级柔顺提案"，再由一道独立的高频机制把关。

Haofan Cao et al. · arXiv 2606.00515 https://arxiv.org/abs/2606.00515

把网络输出视为语义绑定、任务阶段与 admittance 调度等柔顺提案；一道高频、与提案无关的 passivity shield 通过能量罐核算与边界检查管控这些提案，拦截非法、过期或不安全的指令。

AFUN：迈向功能理解的 affordance 基础模型 · manipulation

affordance（可供性）是连接视觉感知与物理动作的可解释接口，但既能回答"在哪交互"又能回答"怎么交互"、还能跨环境/物体/任务泛化的 affordance 基础模型一直缺位——现有方法往往只覆盖其中一半。

Zhaoning Wang et al. · arXiv 2606.02551 https://arxiv.org/abs/2606.02551 · HF 6↑

从单张 RGB-D 观测与一句语言任务描述出发，同时预测交互区域与可执行动作，朝统一的 affordance foundation model 迈进。

Agile Robots（敏捷机器人）｜ 新一轮 ｜ 约 8 亿美元 ｜ — · industrial ⚠️ 早期洽谈口径

软银据彭博报道正洽谈领投这家慕尼黑工业机器人公司约 8 亿美元的新一轮，其中软银或投入逾 3 亿美元——量级跻身全球物理 AI 硬件单轮最大梯队。软银 Vision Fund 2 曾于 2021 年领投其 2.2 亿美元 C 轮、估值过 10 亿美元；该公司称已在全球部署逾 2 万套机器人方案、员工约 2300 人，今年 3 月与 Google DeepMind 达成把 Gemini Robotics 模型用于工业场景的研究合作。此轮叠加软银 53.75 亿美元收购 ABB 机器人、筹建机器人公司 Roze 的动作，显示其全面押注机器人。来源：Bloomberg；Startup Fortune https://startupfortune.com/softbank-is-in-early-talks-to-anchor-an-800-million-round-for-agile-robots-as-the-humanoid-race-enters-its-capital-intensive-phase/

GlobalFoundries 收购 Synopsys 处理器 IP 业务 ｜ 并购完成 · adjacent

晶圆代工厂 GlobalFoundries 宣布完成对 Synopsys 处理器 IP 解决方案业务的收购，对外定位为面向物理 AI 的整体技术平台——把处理器 IP 与制造能力打包，卡位芯片向价值链上游延伸的趋势。来源：The Globe and Mail https://www.theglobeandmail.com/investing/markets/stocks/GFS-Q/pressreleases/2257387/globalfoundries-completes-acquisition-of-synopsys-processor-ip-solutions-business-delivering-a-holistic-technology-platform-for-physical-ai/

"华为具身大脑"核心创办的具身初创 ｜ 天使轮 ｜ 亿元级 · world-model ⚠️ 单方口径

一家由华为具身大脑核心成员创办的初创获亿元级天使轮，技术路线对标 JEPA 类世界模型，押注类脑智能的"认知世界模型"。在多数团队以视频/扩散世界模型为主流时，走认知建模路线是一种差异化下注。来源：AI智件 原文

Reactor ｜ 走出隐身 ｜ 5900 万美元 · world-model

Reactor 携 5900 万美元走出隐身，目标是搭建"实时 AI 世界"的平台——把可交互生成世界做成基础设施，与近期机器人/自动驾驶把世界模型当作仿真与数据底座的需求同向。来源：AI Insider https://theaiinsider.tech/2026/06/02/reactor-emerges-from-stealth-with-59m-to-build-the-platform-for-real-time-ai-worlds/

VinDynamics（Vingroup）｜ 战略投资 ｜ 1275 万美元 · humanoid

越南 Vingroup 向一家美国人形机器人研究公司投资 1275 万美元；旗下 VinDynamics 同期在 ICRA 2026 与 Computex 台北亮相 Dyno 人形机器人，显示其加码具身赛道、补研发与渠道。来源：Vietnam Investment Review https://vir.com.vn/vingroup-invests-1275m-in-us-based-humanoid-robot-research-company-153860.html

黑漫科技 ｜ 战略投资 ｜ — · embodied

毅达资本完成对黑漫科技的投资，方向是让机器人"手"更灵巧；灵巧手是人形/具身操作落地的关键零部件，本轮延续了近期资本对手部与触觉环节的集中加注。来源：新浪财经 https://finance.sina.com.cn/wm/2026-06-02/doc-inhzysxu3330176.shtml

星动纪元 ｜ 完成股份制改造 · humanoid

人形机器人公司星动纪元完成股改，通常是冲刺 IPO 的前置步骤——在宇树过会的窗口期，又一家头部本体公司向资本市场靠拢。来源：新浪财经 https://finance.sina.com.cn/jjxw/2026-06-02/doc-inhzysxv1798176.shtml

宇树科技科创板 IPO 提交注册，拟募资 42.02 亿元冲刺"人形第一股" · humanoid

上交所官网显示，宇树科技科创板 IPO 审核状态已更新为"提交注册"，距正式登陆 A 股、成为国内"人形机器人第一股"又近一步。其推进速度极快：3 月 20 日受理、6 月 1 日上会通过，全程仅 73 天，刷新 2026 年以来科创板审核纪录，也是"预先审阅"机制落地后的第二单标杆。招股书显示本次拟发行不低于 4044.64 万股、占发行后总股本不低于 10%，募资总额 42.02 亿元，其中近半（20.22 亿元）投向智能机器人模型研发。公司已规模化盈利：2023—2025 年营收 1.59 亿/3.93 亿/16.99 亿元，净利润由亏转盈至 2.78 亿元；2026 年 Q1 营收约 4.23 亿元、同比增 68.49%（但因研发、销售费用大增，扣非净利同比下降）。美团、腾讯、阿里、蚂蚁等均参与其战略投资。✅ 已证实 来源：新浪科技 https://tech.sina.cn/mobile/xp/2026-06-02/detail-inhzzivn3133478.d.html?vt=4

英伟达发布开源物理 AI 基础模型 Cosmos 3 · world-model

黄仁勋在 Computex 2026（GTC 台北）发布 Cosmos 3，定位为面向物理 AI 的开源前沿基础模型。其采用 mixture-of-transformers 架构，把视觉推理、世界生成与动作预测合到一个系统，号称首个可原生理解并生成文本、图像、视频、环境声与动作的全模态开放模型。产品线分三档：面向机器人/自动驾驶后训练、要求最高物理精度的 Cosmos 3 Super，亚秒级视频与动作推理的 Cosmos 3 Nano，以及即将推出、用于边缘实时推理的 Cosmos 3 Edge。英伟达同时组建 Cosmos 世界模型联盟，成员包括 Agile Robots、Black Forest Labs、Generalist、LTX、Runway、Skild AI 等。⚠️ 厂商口径（"训练评测周期从数月缩到数天""物理精度领先"等为官方表述）来源：英伟达官网；搜狐 https://m.sohu.com/a/1030966672_223764?scm=10001.325_13-325_13.0.0-0-0-0-0.5_1334

优必选推全球首款全尺寸"超仿生"人形机器人开启预售 · humanoid ⚠️ 厂商口径

优必选旗下消费级品牌启动该机型预售，主打情感陪伴，分男女两款：男款 183cm/42kg、女款 168cm/35.2kg，均为 88 个自由度、Wi-Fi 连接、续航 2—4 小时。预售期 6 月 2 日至 7 月 15 日、定金 3000 元，6 月 30 日正式发布。把人形从工业/科研推向消费级情感陪伴是新的市场试探，但 2—4 小时续航与量产交付能力仍待实际验证。来源：搜狐 https://m.sohu.com/a/1030867906_114760?scm=10001.325_13-325_13.0.0-0-0-0-0.5_1334

OpenAI 关停五年后重启内部机器人部门 · embodied

OpenAI 重新组建机器人部门并公开招聘全栈硬件、系统与 ML 工程师，是其 2021 年解散机器人团队以来最强势的回归。据报道近期重点不是家用或仓储分拣，而是支持建设数据中心、电网、工厂的技能型工人；Altman 另据传以个人身份投资物理 AI 初创 Alfred。结合此前 Figure 公开拆伙、转向自研，OpenAI 选择亲自下场做硬件。⚠️ 招聘/报道口径 来源：TechFundingNews；Benzinga https://www.benzinga.com/markets/private-markets/26/06/52934688/openais-sam-altman-is-reportedly-backing-a-little-known-startup-that-wants-to-bring-ai-into-the-physical-world

橡木果机器人走出隐身，主张"本能驱动"对抗大一统 VLA 路线 · embodied

由 9 名清华博士创办的橡木果机器人首次公开技术路线。发起人姜峣（清华机械博士、哈佛认知实验室博士后）提出"语言无本能、操作有本能"：全球不同年龄文化的人抓取方式高度一致，背后是先天机制。基于此，团队主张把机器人操作拆成"任务规划（大脑）"与"操作执行（本能）"两层，操作走自下而上、以触觉为切入点，而非用海量数据自上而下拟合——直指当下具身智能"把理解与执行混在一起、靠无限堆数据堆算力"的瓶颈。该路线为团队主张，目前尚无量产或第三方复现数据。⚠️ 单方口径 来源：DeepTech深科技 原文

文远知行携 Uber 落地马德里，Robotaxi 进入全球第 12 城 · autonomy

文远知行与 Uber、AVOMO 在西班牙推出该国首个商业化 Robotaxi 试点，计划年内启动，标志其 Robotaxi 版图扩至全球第 12 城。该消息当日被十余家外媒同步报道。来源：Automotive World https://www.automotiveworld.com/news/weride-and-uber-to-launch-spains-first-robotaxi-service/

小马智行 Q1 robotaxi 收入同比增 395% · autonomy

小马智行 2026 年 Q1 总营收 3430 万美元、同比增 145%，超分析师预期；其中 robotaxi 服务收入 860 万美元、同比增 395%（计费收入增 457%），robotruck 1020 万美元（+31%），智驾方案 1550 万美元（+247%）。截至季末车队超 1700 辆，年底目标上调至 3500 辆、覆盖 20+ 城，并已进入欧洲（克罗地亚）。Robotaxi 增速亮眼，但收入绝对值仍小、规模化盈利尚远。✅ 已证实 来源：Gasgoo；虎嗅 https://www.huxiu.com/article/4863818.html

人形/机器人加速进美国工厂与仓储 · industrial

现代汽车计划在美国制造环节部署波士顿动力 Atlas 人形机器人；JCPenney 母公司 Catalyst Brands 则在内华达的配送中心部署人形机器人。两则部署显示北美制造与零售物流正成为人形真机落地的早期场景。来源：Car Dealership Guy https://news.dealershipguy.com/p/hyundai-to-deploy-atlas-humanoid-robots-in-u-s-manufacturing-push；WWD https://www.msn.com/en-us/news/technology/jcpenney-parent-catalyst-brands-deploys-humanoid-robots-in-nevada-dc/ar-AA24AIU9?apiversion=v2&domshim=1&noservercache=1&noservertelemetry=1&batchservertelemetry=1&renderwebcomponents=1&wcseo=1