机器人

提出 WholeBodyMem 物体引导记忆，人形机器人操作成功率仿真 29.1%→72.6%、真实 36.7%→88.3%

针对VLA策略只看当前帧的问题，引入物体引导记忆，显著提升人形机器人移动操作成功率；对具身智能记忆机制设计有直接借鉴价值。

SuperMimic 单卡 3 小时胜 128 GPU 训 7 天基线，算力降 1000×

可微世界模型让人形全身控制摆脱算力瓶颈，缩放律研究变得可行

Attention-based Contacts 用接触接口协调人形移动

将动作数据作为训练先验并用接触作为接口，有助于人形政策在部署时无参考适应复杂地形。

落脚点预测+局部高程图采样，训练迭代降至约 1/3，零样本迁移 Unitree G1

按预测落脚点裁剪感知输入，训练效率与地形泛化显著提升，可直接借鉴到足式/人形运动策略训练

Language-Forcing：用冻结 VLM 的语言描述对齐全身 world action model 的未来视觉特征，提升人形 loco-manipulation 性能

给 WAM 的视觉预测目标加上语义监督信号，可区分任务相关变化与背景噪声；对构建具身世界模型的团队是可直接借鉴的训练技巧