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。
视觉-语言-动作（VLA）模型现在被检验的是：它们的内部状态能否同时帮助动作、预测和空间定位。Pelican-Unified 通过共享的潜在状态训练语言推理、未来视频生成和机器人动作块。它在 50 个任务的 RoboTwin 双臂套件上报告了 93.5% 的平均成功率，在 WorldArena 上的 EWM Score 为 66.03。
Evo-Depth 解决的是更具体的部署瓶颈：在不增加深度硬件的情况下提高空间精度。它把从 RGB 提取的深度特征送入一个 0.9B 参数的 VLA 模型。报告的真实世界结果是，在三个任务上平均成功率为 90%，使用 3.2 GB GPU 内存，运行频率为 12.3 Hz。
HandITL 关注的是自主灵巧策略和人工操作员之间的交接。核心设计是相对修正：操作员在 VLA 策略继续运行的同时调整机器人手和手臂，这样在接管时不会出现突然的姿态跳变。
在接管测试中，这个效果很明显。在 Bread Clip 上，直接切换到遥操作时，平均命令变化约为 4.38e-2；HandITL 把它降到约 6.8e-5。在 Pick Up and Place the Parts 中，它在 42.8 ± 5.0 秒内完成，10 次试验里只重试 1 次。论文还报告说，在三个长时程灵巧任务上，修正回滚生成的微调数据比同等时长的标准遥操作数据平均好 19%。
LongAct 把家庭智能体的评测长度拉长了。这个基准在 100 多个 ProcTHOR 和 AI2-THOR 房子里使用 300 个 episode，开放式家务平均大约有 9 个目标，步数上限是 16,000。这套设置检验的是跨房间、跨物体的记忆、依赖跟踪和恢复能力。
结果显示，目标推进和完整完成之间差距很大。纯 Qwen3-VL-32B 的 Goal-Condition Success 只有 6.14%，Success Rate 为 0%。带有 Qwen3-VL-32B 的 HoloMind 把这两个指标提升到 51.2% 和 15.0%。报告中的最佳 HoloMind 变体使用 GPT-5，Goal-Condition Success 为 59.0%，Success Rate 为 16.0%，而人类的目标完成率为 93%。
这一窗口中的世界模型论文增加了对几何、物体状态和可执行动力学的显式检查。PDI-Bench 按照尺度-深度对齐、3D 轨迹一致性和结构刚性来给生成视频打分。真实视频的 PDI 为 0.1206；列出的最佳生成模型 Seedance 2.0 得分为 0.2422。Sora 和 HunyuanVideo 的尺度残差大得多，比真实视频的尺度残差高出 25 倍以上。
还有两篇规划论文指向面向动作的世界模型。Slot-MPC 使用物体槽和可微的动作条件动力学模型做目标图像操控；它报告的潜在大小比基于 patch 的 DINO-WM 小 99%。Coding Agent Is Good As World Simulator 通过编写和修复代码来搭建 PyChrono 仿真；它在三个报告任务上达到了 100% 的 Pass@1 计划生成率，但有代表性的成功运行会消耗数百万 token。