本周机器人研究的共识更清晰了：VLA不再只追求更大，而是补齐数据、恢复、感知和部署这几块最影响落地的短板。一条最强主线是闭环造数。Seed2Scale说明，具身数据不必持续重度依赖人工示教。随后RADAR、RoboClaw进一步把任务生成、执行、验证和复位并入系统流程，意味着“收数据”本身正在变成自动化能力，而不是训练前的人力准备。第二条主线是VLA增强重心后移。本周有效的方法不只来自预训练。
今天的机器人论文很集中：大家不再只追求更大的通用模型，而是开始系统性补齐数据、后训练、世界模型和部署链路。一个更实用的机器人栈正在成形。最强信号来自“数据与增强方式”的变化。Seed2Scale证明，具身学习不必继续重度依赖人工示教。它只用4条种子示范，就能靠“小模型采集+大模型验真+目标策略学习”的闭环，把平均成功率拉到68.57%。
本周可形成高置信机会的方向主要集中在四类：闭环数据采集与复位系统、运行时主动感知模块、异常检测与恢复中间层、不改权重的VLA部署优化层。共同的“为什么是现在”在于：这些方向都不再停留在单篇论文里的点状技巧，而是开始出现可拼装的系统部件，且已有明确的效率、延迟或成功率证据。相比继续追逐更大主模型，这些更接近真实团队会采购或内部立项的工程缺口。
本窗口的高价值机会主要不在“再做一个更大的机器人基础模型”，而在把新出现的能力拼成可卖、可部署、可验证的工具链。最强的 why-now 信号有五个：1）自动造数第一次在极少示教下显示出可复制增益；2）VLA 提升点明显前移到后训练与推理时引导；3）世界模型开始同时具备数据分布与交互性能两侧的基础设施条件；4）部署优化出现可抽象的系统原语；5）策略路由证明组合存量策略比继续押单一策略更现实。基于本地证据，优先建议从数据工厂、后训练工作台、…