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。
视觉-语言-动作（VLA）论文围绕那些让动作具有物理意义的信号展开。3DThinkVLA 将 Qwen3-VL 的视觉特征与 VGGT 3D 特征对齐，并把一个空间推理锚点蒸馏到普通动作提示中。它在 LIBERO 上的平均成功率为 98.7%，在 LIBERO-PLUS 上为 81.0%，推理时只用 2D 图像。
VISTA 处理的是同一问题的数据侧。它通过在 800 万样本的鱼眼 VQA 集上训练，并按完整性、连续性、自碰撞风险和执行保真度筛选轨迹，来适配 Universal Manipulation Interface（UMI）演示数据。ForesightFlow 提供了一条更轻的策略改进路径：每个动作块都带有生成的成功潜力分数，从而可以直接做 best-of-K 选择，不需要单独的 critic。它在真实世界双臂任务上的成功率是 35.4%，高于 IDQL 的 32.6%，训练计算量从 287 个 GPU 小时降到 178 个 GPU 小时。
世界模型工作和可衡量的控制结果直接相关。OSCAR 把 2D 运动骨架视频当作动作条件，用在一个 20 亿参数的视频世界模型上，覆盖机器人机械臂和人手。在一个 200 个片段的基准上，它的 PSNR 达到 24.24，SSIM 达到 0.846，在报告的 GH200 测试中运行速度为 2.214 FPS。
MAD 把类似的预测思路用于四旋翼，训练一个 DreamerV3 风格的循环模型来预测局部占用图和可见性图。学到的策略在仿真中达到 9.66 m/s，在真实森林飞行中达到 5.05 m/s。另一项四旋翼研究给出一个警示：仿真策略分数最高的模型在真实平台上失败了，而其他模型通过狭窄缝隙到达了目标。作者认为，跨环境重建质量比单纯的仿真胜率更能反映真实迁移效果。
HapTile 把触觉和操作者反馈加入 VLA 数据混合中。这个数据集包含 1,726 次演示，覆盖 38 个任务和 9 种技能，包含语言、第三人称 RGB、腕部 RGB、指尖触觉图像、机器人状态、7D 动作、时间戳，以及 15 Hz 的触觉反馈。最明显的提升出现在接触决定成败的任务上：在 π0 上，插销插入从只用视觉输入时的 0% 升到用原始触觉图像时的 90%；白板擦拭在加入触觉标记特征后从 50% 升到 100%。
结果并不完全一致。报告中的基线在加入触觉标记特征后，倒液性能变差。这让这个数据集更像一个诊断工具：触觉对一些重接触任务有帮助，但策略架构仍然需要更好的方式把触觉信号和视觉、语言输入结合起来。