具身研究正在更明确地描述身体、未来状态和物体结构

控制方向的工作现在把身体结构放进模型里，而不只是放进硬件描述里。QWM 用机器人 USD 文件里的显式形态特征来条件化四足世界模型，并声称可以在训练家族内对未见过的四足机器人零样本部署。HEX 在策略层面做了类似的事：它把不同机器人映射到共享的身体部件槽位，并在动作前预测短时程的未来本体感觉。两篇论文都在用把形态作为一等输入的方式做跨具身迁移。证据是有希望的，但这两个摘要都没有给出完整的数值提升，无法判断在更大的身体变化下迁移能撑到什么程度。

生成的未来状态现在被当作训练信号和价值信号使用，而不只是 rollout 结果。WorldMAP 用一个基于生成未来视图的教师模型生成伪标注导航路径，再训练一个更小的学生模型，让它在推理时单独运行。数值很明确：在 Target-Bench 上，它报告 ADE 42.06、FDE 38.87，两项都超过 Gemini-3-Pro。ViVa 把同样的大思路用到强化学习里。它用视频扩散模型预测未来本体感觉和标量价值，论文报告了更平滑的任务进度跟踪，以及在 RECAP 中更好的真实世界箱子组装表现。和当天大多数工作相比，这组证据更强，因为 WorldMAP 给出了基准数值，而 ViVa 还补充了任务层面的定性行为。

操作类论文正在把意图写成更可执行的形式。BLaDA 把开放词汇指令解析成一个结构化六元组，在 3D Gaussian Splatting 场景里定位功能接触区域，再把它们映射到手腕姿态、手指指令和力度设置。DailyArt 处理的是一个相关的感知瓶颈，针对可动对象进行建模。它先从单张图像合成一个打开状态，再从闭合视图和打开视图之间的差异里估计关节、轴、转轴和运动范围。两者的共同点是显式的中间结构：一个面向灵巧动作的接触约束，一个面向物体交互的运动学结构。两个摘要都声称结果很强，但现有文本里都没有最终基准表。