搜索
阿里巴巴达摩院的最新工作RynnWorld-Teleop对此给出的方案是：用生成式世界模型替代真实机器人。操作员的手势驱动一个实时视频生成器，由“数字世界中的机器人”完成全部视觉演示，同时自动获得关节级的动作标签。该方案被称为数字遥操作（Digital Teleoperation）。
最近，来自 Google、哥本哈根大学、牛津大学等机构的研究者提出了 VGGRPO（Visual Geometry GRPO，收录于 ECCV 2026）。这项工作聚焦于一个核心问题：如何在不牺牲预训练模型泛化能力的前提下，高效地提升视频生成的几何一致性，并使其适用于动态场景。其核心思路是，在隐空间（latent space）中利用 4D 几何奖励，进行几何感知的视频后训练。
最近，一篇名为 FreeStyle: Free Control of Style-Content Dual-Reference Generation from Community LoRA Mining 的工作引起了不少关注。换句话说，FreeStyle 研究的是 style-content dual-reference generation，也就是「内容 - 风格双参考生成」。
曾推出 RoboTwin 系列基准的团队发布了 RoboDojo，一套统一覆盖仿真与真实机器人操作的具身智能评测体系。它包含 42 个仿真任务、18 个真实机器人任务，并将 30 个代表性机器人策略放到同一套标准下比较。
世界模型圈一大难题是定义模糊，起码三四个流派各研究各的，都做了个产品就说自己是真正的世界模型，谁也没法说谁的不是。蚂蚁旗下的灵波科技疑似把这问题给解决了，因为哥们直接把几乎现有所有方向都做了一遍。
大家好，我是袋鼠帝。 前几天，火山的朋友提前跟我同步了一个消息，说豆包Seed模型又更新了。
这场越来越快、越来越贵、越来越拥挤的竞赛里，我们还能做什么？
数亿美金，竟输给了一台相机？
「解释的本质，不在于凝视机器本身，而在于审视机器所凝视的世界」。
近两年，视频生成模型在具身智能领域受到持续关注。从 UniPi、SuSIE 到各类 action-conditioned video generation 变体，其核心思路一致：先由模型生成一段未来视频，再从中提取动作信号供机器人执行。