机器人学习正被放到控制环中评估。表现最强的论文加入未来变化先验、漂移监测器、critic、世界模型 rollout 和更便宜的运动数据，让视觉-语言-动作（VLA）策略能应对接触、相机变化和有限示范。Bridge-WA、VLA-Corrector 和 TAP 给出了最清楚的实测主张。
几篇论文把预测做得更贴近具体动作。Bridge-WA 将一个 5B 的未来变化教师模型蒸馏为未来 token、变化图和运动流图，并在部署时移除教师模型。它在 VLABench 上报告的平均成功率为 52.8%，高于所列最强成功率基线的 43.1%；在 Dobot hard-track 中，面对干扰物、光照变化和桌布变化时也有更强结果。
PhysMani 把同样的要求用于动态 3D 操作。它用 30,000 个 3D Gaussian 建模场景，并为移动目标预测局部速度场。在 PhysMani-Bench 上，它报告的平均仿真成功率为 45.9%，领先于所列 3D 策略和 Gaussian 基线，但在 Insert Peg 等部分任务上仍然落后。
推理时控制是一个主要主题。VLA-Corrector 冻结 VLA 主干，监测预期视觉潜变量变化与观测视觉潜变量变化，截断过期动作块，并引导下一步 flow-matching 去噪。在 MetaWorld 上，pi0.5 的平均成功率从 48.70% 升至 64.35%；horizon 为 10 时，SmolVLA 提高成功率，同时减少策略调用。
Guided Action Flow 使用学到的动作块 critic 来引导冻结的 SmolVLA 采样器。增益在局部设置中最强：一个 LIBERO 空间任务提高 14 个百分点，而锁定 held-out 测试的增益为 2.5 个百分点。ACID 为世界模型规划加入单独检查，判断预测的潜变量转移是否与条件动作一致；它无需重新训练世界模型，就提高了 Le-WM 和 PLDM 操作任务的成功率。
研究正在用无标签运动和生成 rollout 降低数据成本。TAP 先在任务无关轨迹上用逆动力学预训练 VLA，再进行语言条件行为克隆。在 SIMPLER 中，TAP-20k 达到 33.32% Avg-All 成功率；同一架构使用标准行为克隆训练时为 23.15%。在真实 WidowX 测试中，它在背景和视角变化下改进了 push-pumpkin 任务。
WorldSample 用真实 rollout 初始化局部动作扰动，使用经过适配的 Cosmos-Predict2.5 世界模型生成未来观测，用奖励模型打标签，并把选出的合成转移输入真实机器人强化学习。在五个操作任务上，它报告的平均成功率为 82%，高于 HIL-SERL 的 56%，同时把平均训练步数从 56K 降至 23K。
The Moving Eye 分离了 VLA 训练数据中的相机捷径和物体位置捷径。它的双臂设置用一个机器人执行操作，另一个机器人作为移动环境相机，然后把移动相机 episode 与静态多视角 episode 混合。在 pen 任务上，固定视角训练达到 85.0% 的分布内成功率，但在移动相机评估下只有 43.0%。混合数据达到 86.0% 的分布内成功率，在移动相机测试下达到 83.0%。
物体位置测试显示了相同模式。移动 holder 后，multi-fixed 基线从 95.0% 降至 71.9%，而 mixed 1:3 设置报告为 91.9% 和 90.6%。摘录中 Gr00t pen-task 的最佳比例是 Moving:Multi-Fixed = 1:3。