机器人学主导了这一时期。最强的论文把视觉-语言-动作（VLA）策略放到 rollout 成本、长时程漂移、碰撞风险、触觉数据缺口和工厂服务等执行压力下测试。RoboWorld、FurnitureVLA 和 ROSA 给出了最清晰的实测主张。
RoboWorld 给出了最清晰的世界模型结果。它通过 4,186 次生成 rollout 评估八个开放机器人策略，并与 RoboArena 真实世界排名达到 Pearson r=0.989、Spearman rho=0.970 的一致性。关键设计是闭环 rollout 生成，加上一个按 0–5 分评估任务进度的视觉语言模型裁判；在报告的消融实验中，这比二元成功评分提供了更多信息。
其他论文把控制连接说得更明确。ABot-M0.5 为移动操作定义了世界动作模型（WAM），按顺序预测未来视频、潜在运动和可执行机器人动作。教程论文也试图收紧术语：它把机器人世界模型定义为以动作为条件的预测器，并按预测未来如何连接到动作来归类 WAM 设计。实测证据最强的是 RoboWorld；在可用摘录中，ABot-M0.5 和教程主要澄清模型设计选择。
FurnitureVLA 是主要的长时程操作结果。它把 IKEA 风格的双臂装配分解为以语言为条件的子任务，并在预测 14 维双臂动作的同时预测连续子任务进度。在仿真中，LACK、KALLAX 和 IVAR 三类任务的平均完整装配成功率从单体微调的 0.48 提升到 0.80。
安全工作增加了另一项执行测试。受约束流匹配论文在去噪过程中编辑预测的 10 步末端执行器轨迹，在动作块最终确定前使用控制屏障函数约束。在 SafeLIBERO 上，它报告 82.81% 的避碰率和 81.62% 的任务成功率；无引导 π0.5 为 18.69% 和 50.88%。这种提升伴随执行变慢，结果体现安全与吞吐的权衡，不能算无成本改进。
触觉预训练获得了一项具体数据贡献。H-Tac 包含 160 小时、300 多个任务和超过 135,000 个 episode，信号包括触觉、动作、视觉和语言。Transferable Tactile Pre-Training 增加了一个触觉专家，在预测动作块的同时预测未来触觉读数。摘录给出了数据集规模，但所供文本没有下游成功率。
数据访问也得到实际关注。Daft 文章展示了在 Apple EgoDex 上进行逐帧搜索，使用 SigLIP-2 文本-视频嵌入加手部姿态几何。示例检索到订书机抓握、积木抬起、T 恤折叠片段等事件。这对机器人团队有用，因为精细操作失败常藏在很长且未标注的 episode 中。
认证感知时钟形成第三条面向传感器的线索。一个冻结的 3D VN-JEPA 世界模型给出漂移感知的重新感知截止时间；在三项测试中，留出区间证书违例上界低于声明的 0.15 目标。
适应和服务论文关注策略离开训练设置后的情况。DART 使用一个任务的一条目标域演示，加上一条匹配的源域演示，把 VLA 适配到新的相机、光照、传感器或具身条件。它从权重更新中提取域向量并加到基础策略上，但所供摘录不含成功率表。
BIFROST 通过共享潜在历史编码器处理 sim-to-real 迁移，该编码器用成对的跨域片段训练。在 sim-to-sim 导航中，它报告顶视图成功率为 0.68 ± 0.08，自我中心视图为 0.50 ± 0.08；较弱的直接迁移基线为 0.19 ± 0.04 和 0.03 ± 0.02。摘录声称进行了 sim-to-real 测试，但没有量化表格。
ROSA 把机器人基础模型推理作为机队调度问题处理。在八块 H200 GPU 和最多 64 个虚拟机器人上，它报告符合 SLO 的工厂生产率最高比专用服务基线高 12.06×，最高比不使用其调度器的共享服务器基线高 2.44×。