这一天最强的结论很明确：机器人论文正在把预训练、预测和真实执行之间的联系收紧。EmbodiedMidtrain 表明，当上游数据更像机器人经验时，VLA 性能会提高。Mask World Model 和 RoboWM-Bench 从两个方向对 world model 提出同样要求：保留与任务相关的结构，然后按可执行行为来判断成功。
EmbodiedMidtrain 把数据选择放到 VLA 训练的核心位置。论文先测量通用视觉语言模型数据和机器人轨迹之间的真实不匹配，然后在更接近机器人数据的样本上进行 mid-training。对小型骨干模型，提升很大：InternVL3.5-1B 在 SimplerEnv-Bridge 上的成功率从 36.5 提高到 56.3，在 Libero-10 上从 39.0 提高到 54.2。Qwen3VL-2B 也在 Calvin、SimplerEnv-Bridge 和 Libero-10 上都有提升。这个日子的结论很直接：更好的机器人策略来自更好的动作前数据对齐，而不只是更大的 action head 或更多机器人微调。
这一时期的 world model 论文更看重可执行结构，而不是逼真的图像预测。Mask World Model 训练未来语义 mask，这样能保留物体布局和接触线索，同时去掉纹理噪声；它在 LIBERO 上报告 98.3% 的平均成功率，在 RLBench 上是 68.3%，领先几种强基线。RoboWM-Bench 从相反角度检验同一问题：生成视频看起来可能合理，但转成动作后还是会失败。它的机器人评测对强生成模型也偏低，逐步分析显示，很多系统能完成接触，却完不成任务序列。合起来看，机器人领域里有用的 world model 要按执行一致性来判断。
两篇论文把机器人控制周边的训练范围扩展了。UniT 为人类和人形机器人行为引入一套共享的离散动作语言，策略训练和 world-model 训练都建立在同一组 token 上。论文使用了 27,419 条人类轨迹、少样本机器人数据和真人形机器人测试，但摘录没有给出主要差距。VLA Foundry 解决的是另一个瓶颈：它把语言预训练、视觉语言训练和动作训练放进同一套流程，并支持最多 128 张 GPU 的分布式运行和开源模型发布。两者的共同点是为迁移提供基础设施。一条路线尝试跨身体复用人类运动；另一条让完整 VLA 流水线实验更容易复现和比较。