具身智能

HiSTEVE 分层 VLA 智能体在 MineStudio Bench 达 85.0%，OpenHA 37.4%

展示分层 VLA 加原生键鼠控制完成长时程任务，对游戏和具身智能体的工程落地有直接参考价值。

FlashRT实时推理引擎支持Pi0等VLA生产控制

降低机器人VLA小批量低延迟推理门槛，直接影响具身智能部署。

研究发现 6 个 VLA 中单步生成基本匹配多步采样，低延迟部署无需额外训练

对 VLA 部署有直接工程意义：大模型单步策略可免费从多步模型获得，无需 retraining、distillation 或辅助目标，即可降延迟。

PACT-VLA 用提交前观测验证异步动作块

针对异步 VLA 部署的观测过期问题，给出候选生成与提交前验证思路，有助于提升实时成功率。

RAX：编码智能体无需动作示范，靠在线探索自学机器人控制程序

绕开遥操作数据依赖，把在线经验编译成可执行策略，为机器人数据闭环提供低成本扩展路径。

Gemini 4 Argon 面向机器人场景，指向具身智能应用

旗舰模型下探机器人领域，值得尽快评估其在 VLA 与真实机器人任务上的能力边界

提出 FocusVLA 阶段感知多视图路由，真实世界成功率从 71.7%→85.0%，提升 13.3%

阶段感知多视图路由提升VLA的多视角利用率，且模块可不动核心架构直接集成，对机器人操作模型的训练与部署有实用价值。

SmolVLA-MoE 引入稀疏 MoE，LIBERO 成功率 84.25%

为轻量 VLA 提供稀疏 MoE 方案，在约 500M 激活参数下将 LIBERO 成功率提升至 84.25%，并开源代码，可直接复现。

Physical Intelligence 开放 Pi API beta，可上传数据微调并云端部署机器人模型

把 $\pi 0/\pi 0.5$ 机器人基础模型的微调与托管推理打包成 API，显著降低具身智能落地的数据与基础设施门槛。

S1：单视频演示执行 10-minute 机器人任务

把 in-context learning 引入机器人，减少新任务数据收集与微调，对通用机器人策略有参考价值。

Skild AI 部署 10 个月 ARR 超 $100 million

显示机器人基础模型已在 60+ 付费客户落地，且约 90% 收入来自操作任务，可作为具身商业化评估样本。

dexmal 发布面向通用具身智能的开放世界基础模型

若开放世界基础模型成立，将改变具身智能训练范式；当前摘要信息不足，需看论文/代码。