控制回路执行是当前工程上的主要目标
本周最强的论文都在改进感知之后、执行之前这一步。工作内容很具体：推理时的自适应动作分块、满足控制时限的行为切换检测、以及在迁移中保留动作标签的合成示范。共同目标是在策略实际失效的环节，更紧地控制延迟、时序和监督。
趋势
具身 AI 的评价重点正转向动作回路质量，而不只是感知覆盖面
概览
本周的 embodied AI 论文在收紧动作回路时表现最强。最有力的证据来自 DIAL、FocusVLA 和 DriveDreamer-Policy：模型通过改进控制时序、规划支持和运行时检查取得优势。鲁棒性仍是一个现实弱点，因此评估也在同步变得更严格。
研究发现
世界模型正按规划和控制价值来衡量
世界模型现在被用作动作机制，而不只是场景预测。DIAL把潜在未来状态和机器人动作连在一起，并报告了 VLA 训练中的数据效率提升。其他论文把世界模型和规划或验证结合起来，包括几何约束的驾驶控制，以及用于自我改进的前向-逆向校验。现有证据更能支持动作质量和规划辅助上的价值，对干净且结构化的场景表示支持较弱。
资料来源
鲁棒性和安全检查正成为核心评估栈的一部分
能力声明增加的同时，评估压力也在上升。LIBERO-Para 和 ManipArena 表明，一旦措辞要求更严格或真实环境设置更苛刻，VLA 系统看起来就没那么稳定。面向安全的工作又加了一层要求：接触感知操作、手术中的稠密安全区域预测、针对机器人策略的选择性遗忘，以及仍能击破当前模型的视觉攻击结果。本周的信息很直接：动作模型更强了，但在运行时和受扰动条件下，仍需要更严格的检查。