机器人策略评估开始看执行机制，不能只看基准分数
机器人学习工作集中在让策略能在真实控制约束下执行。ZR-0、T2VLA 和 Chronos 显示出主要重点：跨具身监督、无需奖励的测试时改进，以及基于完整轨迹的记忆。
主题概况
Autonomous Driving
机器人操作 rollout 检查
机器人策略团队可以围绕评估、部署和几何增加面向执行的检查，从当前工作中获得更多价值。实际做法是：在任务关键运动片段上给模型变体排序，在闭环试验前验证感知-动作回路，并为小误差会导致任务失败的接触阶段存储对象相对姿态。
VLA 工作现在用落地、记忆和动作检查来判断策略
视觉-语言-动作（VLA）研究主导了这个时间段。CrossVLA、AVP 和 SOMA 说明了当前重点：策略质量正在通过后训练收益、显式空间落地、持续记忆、延迟和闭环执行结果来衡量。
机器人控制回路评估
VLA 部署工作已经有足够具体的证据，把评估往机器人控制回路里移。最明确的变化是执行前动作块验证器、面向密集操作场景的显式目标 token，以及用于潜在世界模型规划的基于可达性的终端代价。
机器人 VLA 工作正在衡量部署压力下的预测、动作时机和安全性
今天的机器人论文把 Vision-Language-Action（VLA）模型当作控制系统来处理，需要预测性 rollout、带引导的动作解码和明确的安全检查。RAW-Dream 给出了最清楚的数据效率结果。GuidedVLA 改进了动作聚焦。SafeManip 说明任务成功率可能掩盖不安全执行。
面向 Vision-Language-Action 机器人的部署检查
机器人 VLA 工作现在给出三项面向落地的改动：在 rollout 日志里加入时序安全监视器，使用就绪门控来衡量早期动作的用户输入时间，并测试任务无关的 world-model RL 作为新操作任务的低数据适应路径。
可部署的机器人策略需要在线学习、明确计划和快速感知
当天的机器人工作把 Vision-Language-Action (VLA) 策略看作必须在发布后继续改进、公开任务计划并满足控制延迟要求的系统。LWD、IVLR 和 MSACT 提供了最清楚的证据，它们把真实或仿真的成功提升和在线 rollout、文本图像 trace、空间跟踪联系在一起。
Operational Robot Learning
机器人团队可以直接做三项具体改动：把部署 rollout 收集为训练数据，把长时程计划暴露为缓存的文本和关键帧轨迹，再给快速模仿控制器加入空间注意点跟踪。共同的压力来自运行层面：固定的演示集、隐藏的计划和不稳定的视觉特征，会在机器人离开受控测试环境后变成失败。
动作学习正在变得更精确，而 VLA 鲁棒性仍然落后
这一天最强的模式是实用的动作学习。论文通过缩短预测、动作和控制细节之间的距离，改进了机器人和驾驶系统。最明显的提升来自经过验证的世界模型、更平滑的动作分布，以及几何感知规划。与此同时，Tex3D 表明当前 VLA 模型仍然很容易被物体级视觉攻击打偏。
具身策略可靠性检查
近期工作支持三项具体流程改动：把动作容差和控制器增益当作同一个机器人微调循环的一部分；在规划路径里用显式几何来评估驾驶 world-action model；在 VLA 操作发布门禁里加入物体表面对抗测试。证据最强的地方，是论文把指标直接连到部署选择上，包括基于 FAN 的微调在 ManiSkill 上的成功率提升、深度优先驾驶模型在 Navsim 上的规划提升，以及 Tex3D 攻击带来的大幅失效率上升。