闭环执行成为具身智能的决定性检验
当天的证据将近期对部署的关注点从单纯的推理速度扩展开来。IMBench 表明，识别物理约束并不能可靠地产生可执行行为；AC-VLA 和快慢驾驶则通过使学习或计算与控制回路相匹配来改善结果。大多数证据仍来自仿真，因此尚不能证明广泛的现实世界可靠性。
主题概况
Robot Control
闭环 VLA 训练与评估的变化
阶段标签既可以控制操作过程中的传感器访问，也可以控制策略评估中的计算复用。证据支持对训练和测试基础设施进行范围更窄的调整，而不支持关于一般物理可靠性的判断；后者仍受到以仿真为主的评估以及较弱的长时域安全结果所限制。
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。