机器人策略正在加入明确的前瞻、几何信息与任务记忆
当天的研究主要集中在机器人操作，并让策略内部状态更加明确：未来状态、潜在动作、相机位姿和子任务记忆。InternVLA-A1.5、Cortex 和 CamVLA体现了当前重点：保持语言条件控制的速度，同时加入长时程、复杂任务所需的物理或时间信号。
主题概况
Vision Language Action Models
面向部署的机器人策略适配
相机移动、长时程任务状态和目标场景数据，是机器人策略落地的具体障碍。证据支持三项实际改进：在小幅相机偏移下测试 VLA 策略，为长时程任务设置带记忆的受约束子任务接口，并在采集远程操作数据之前，根据单张场景图像生成目标场景示范数据。
机器人 VLA 进展按控制环成功来衡量
本周机器人研究把视觉-语言-动作（VLA）策略放进真实执行约束中。最有力的证据来自能够预测动作相关变化、管理长 rollout，并让服务延迟与任务进度保持关联的模型。Bridge-WA、FurnitureVLA 和 ROSA 显示了最清楚的压力点。
机器人 VLA 执行可靠性
机器人 VLA 工作正在进入执行中最先出问题的环节：跨机器人队列的模型服务延迟、长 rollout 漂移，以及策略无法跟踪接触造成的场景变化。实际工作是把调度、进度信号和与动作相关的未来变化目标加入现有机器人流水线，然后用任务完成度来测试，而不是只看请求延迟或单步预测。
机器人学习论文让 VLA 策略承受执行压力
机器人学主导了这一时期。最强的论文把视觉-语言-动作（VLA）策略放到 rollout 成本、长时程漂移、碰撞风险、触觉数据缺口和工厂服务等执行压力下测试。RoboWorld、FurnitureVLA 和 ROSA 给出了最清晰的实测主张。
机器人策略发布基础设施
VLA 工作正在进入发布工程问题：更低成本的策略评估、延迟目标下的车队推理，以及跨预测动作块的安全检查。在更改完整部署前，这些构建足够小，可以先用现有机器人日志和模拟器运行来测试。
机器人 VLA 论文优先关注可执行控制和实测反馈
当天的机器人论文集中在让 vision-language-action (VLA) 策略可执行：在线适配、3D/接触反馈和成本更低的规划模型。SARL、3D HAMSTER 和 DVG-WM 显示，当前重点是能经受控制循环、几何和物理交互检验的证据。
机器人操作控制和安全层
机器人 VLA 部署工作正围绕三类运行需求变得更具体：操作过程中的接触校正、策略未完成长时程任务后的在线适应，以及将物理损伤与任务成功分开记录的安全评测。最可执行的改动，是在现有策略外增加小型控制层和评测层，并配套明确的 episode 数、扰动测试和仿真检查。
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。
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。
机器人 VLA 论文正在转向基于 rollout 的可靠性
机器人视觉-语言-动作（VLA）研究正聚焦于真实操作证据：开放 rollout、部署检查和安全指标。ABC 让行为克隆更容易复现。E-TTS 加入推理时候选打分。ForesightSafety-VLA 在完整轨迹中评估不安全成功。
机器人 Rollout 决策检查
机器人团队现在可以在总体任务成功率之外，用更多检查来做部署决策。具体改动包括：用 commissioning rollout 在冻结专家中做选择，为 VLA 执行加上候选打分和物理可行性检查，并在 rollout 评审中加入不安全成功指标。