机器人策略工作正在接受几何、接触和真实执行的检验
机器人占据了当天的主要内容，策略质量被当作执行问题来检验。最强的论文在部署前加入几何、物理验证、成功评分或空间记忆。OSCAR、3DThinkVLA 和 MAD 提供了最清楚的证据。
主题概况
3D geometry
机器人策略验证门
机器人团队可以在现有策略工作里加上三项实用检查：在训练前验证 UMI 风格示范，在接触密集任务上做触觉消融，在真实飞行测试前用跨环境预测质量给四旋翼世界模型排序。每项检查都针对最近结果里出现过的一种失效模式：不可执行轨迹、被摄像头掩盖的接触错误，以及没有选出真实世界赢家的仿真分数。
机器人策略论文集中在预测、几何和更难的 VLA 评估
这一时期的机器人工作主要围绕 Vision-Language-Action（VLA）策略展开。最强的模式是对控制的现实压力：AHEAD 预测移动物体的未来视觉 token，Dex-BEV 加入三维对齐，RoboSemanticBench 则显示，抓取能力可能掩盖语义选择薄弱的问题。
VLA Deployment Validation
机器人团队现在可以在硬件部署前，为 VLA 策略增加更具体的门槛：对操作场景做自适应失败搜索、在成功抓取后测试语义目标选择、用预测封装层处理移动物体，以及为多相机和多具身设置做 3D 坐标对齐。真正的压力来自普通任务成功率掩盖的失败：语义选择错误、移动物体上的动作滞后，以及会破坏 2D 策略的相机或姿态变化。
机器人研究把评估收紧到安全、触觉和三维控制上
这一天的机器人研究很好读：评估更严格了，模型设计也朝着同样的压力变化。HazardArena 衡量 VLA 能不能区分可执行动作和危险动作。HTD 说明触觉预测能改善真实人形操作。VGA 用 3D 几何骨干拿下了这组里最强的基准结果。放在一起看，这些论文都偏向于贴近真实决策的控制信号：语义风险、接触状态和场景几何。
具身操作控制
这段时间的机器人工作指向三个具体的流程变化：用分阶段的危险进程和拒绝门来评估 VLA 安全，在接触密集任务的人形机器人行为克隆中加入未来触觉潜变量预测，并在多视角操作策略里把 3D 几何骨干当作默认候选，尤其是在视角变化和放置精度很重要的时候。