Factory VLA Execution Checks
制造机器人团队可以用任务级失败日志、小规模在线微调试验和对抗图像检查，让 VLA 试点更具体。共同的做法是把真实执行、action chunk 和视觉失败案例都放进通过/失败门槛里。
主题概况
World Models
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。
操作策略硬件检查
机器人策略团队已经有足够细节，可以把三个实用检查加入工作流：低成本的物理 VLA 回归工位、和动作预测绑定的 3D 几何监督，以及面向灵巧手的直接关节传感测试。它们分别针对操作中的三个可见失效模式：实验室结果在真实接触下失效、动作解码器漏掉几何信息，以及依赖脆弱外部感知的手部控制器。
具身 AI 论文把执行时可靠性变成可测量指标
具身 AI 主导了这个时期。VLA 工作按延迟、光照、扰动和细粒度任务阶段来评估，世界模型论文则在做更长的 rollout 和更便宜的合成数据。DEFLECT、MetaFine 和 WEM 给出的信号最清楚。
Robot Policy Stress Testing
机器人团队可以通过加入阶段级操作测试、异步控制的延迟注入运行，以及带动力学约束轨迹的生成式 3DGS 飞行场景，让 VLA 可靠性更容易排查。最有价值的是评估和部署检查，因为报告中的失败都对应到具体阶段、扰动和延迟值。
具身 AI 论文把真实机器人执行变成了主要测试
这一时期的具身 AI 工作主要把策略当成可部署的机器人系统来处理。视觉语言动作（VLA）模型被放到灵巧手、受污染的摄像头、双臂任务和接触密集的世界模型基准上测试。Dexora、StableVLA 和 WorldArena 2.0 定下了基调：成功率、真实物理滚动、触觉信号和迁移测试，比干净的仿真分数更重要。
Physical Rollout Evaluation for Robot Policies
真实机器人回放指标正在成为 VLA 和世界模型工作的有效筛选器。最直接的做法，是给遥操作灵巧数据加质量评分，在部署前测试 VLA 策略对摄像头腐蚀的鲁棒性，并在桌面任务里把场景保留和接触效用与任务完成度一起评分。
机器人 VLA 进展正在由真实控制压力下的执行表现来评判
本周最强的信号是机器人视觉-语言-动作（VLA）模型的执行质量。HarmoWAM、RAW-Dream 和 Pelican-Unified 的工作将策略增益与想象 rollouts、阶段感知动作控制和共享的推理-动作状态联系起来。
执行轨迹级操作评估
机器人 VLA 团队现在可以在执行轨迹行为层面测试进展：用于家庭场景操作的时间安全监视器、保护接触和释放帧的数据加载器改动，以及任务无关世界模型中的小数据适配。每条路径都给出了具体方法，用来发现最终成功率可能掩盖的失败。
具身 AI 论文正在检验机器人模型能否在长时程执行中保持控制
这一窗口中的具身 AI 工作把机器人智能当作执行问题来处理。Pelican-Unified 把推理、未来视频和动作连到同一个潜在状态里。Evo-Depth 加入从 RGB 提取的深度信息，以便更快地做空间控制。LongAct 显示，家庭自主系统在长任务链上仍然会失效。