机器人策略正在按预测未来和执行延迟打分
这一天的内容主要是机器人论文，它们把 Vision-Language-Action（VLA）策略质量当作一个闭环控制问题。WLA、MPCoT 和 PiL-World 给出了最清楚的证据：未来状态预测、潜变量动作选择和想象 rollout 都直接和成功率与延迟相关。
主题概况
Vision Language Action
VLA Robot Policy Preflight
机器人团队现在有了在更大规模上硬件运行前测试 VLA 策略的具体办法：用闭环想象 rollout 筛选 checkpoint，用延迟-成功扫参评估 action decoding，用合成 recovery 数据处理失败率高的操作任务。
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。
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 VLA 工作正按控制速度、任务迁移和真实机器人证据来评估
当天的研究集中在可部署的机器人控制上。视觉-语言-动作（VLA）模型获得了更大的任务覆盖、更快的推理路径、更丰富的空间落地，以及更多真实机器人检查。Qwen-VLA 的统一化主张最广，BORA 给出了最清楚的灵巧适应结果，PhAIL 则质疑真实机器人成功率该如何衡量。
Real-Robot VLA Deployment Controls
真实机器人 VLA 团队应先加入按吞吐量统计的 rollout 日志、延迟检查和小型适配层，再扩大任务宣称。最直接的操作变化集中在评估协议、逐步推理控制和灵巧手后训练上。
机器人学习论文集中在执行控制、保留和更便宜的真实世界验证
这一时期最强的信号是面向真实部署约束的实用机器人学习。视觉-语言-动作（VLA）模型正在接受细粒度执行控制和技能保留的测试，而 HyperSim 和 SDPG 降低了真实数据或 GPU 的训练成本。Figure 的包裹分拣运行增加了一个耐久性主张，但其审计细节不如研究论文充分。
VLA Policy Update Controls
机器人团队可以直接做三项流程改动：给 VLA 演示数据加执行级标签，用回放和动作缩放检查来控制持续微调，并在收集大规模新操作数据前先测试仿真-真实联合训练。Figure 的 200 小时包裹分拣报告可以作为耐久性主张，但在支持部署流程前，它还需要错误日志、运行时长数据和基线对比。
实体 VLA 策略验证
VLA 团队可以加入小型实体回归基准、目标状态日志和 RGB-D 几何路径，用来检查操作策略在真实控制条件下是否仍能工作。
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。
机器人研究把 3D 接触和真实测试平台当作主要证据
具身 AI 是中心。视觉-语言-动作（VLA）论文现在主要看 3D 接触线索、真实硬件、扰动测试和可重复评测。GaussianDream、PointACT 和 VLA-REPLICA 给出的信号最强。