本周机器人研究的共识更清晰了：VLA不再只追求更大，而是补齐数据、恢复、感知和部署这几块最影响落地的短板。一条最强主线是闭环造数。Seed2Scale说明，具身数据不必持续重度依赖人工示教。随后RADAR、RoboClaw进一步把任务生成、执行、验证和复位并入系统流程，意味着“收数据”本身正在变成自动化能力，而不是训练前的人力准备。第二条主线是VLA增强重心后移。本周有效的方法不只来自预训练。
本周机器人研究的共识更清晰了：VLA不再只追求更大，而是补齐数据、恢复、感知和部署这几块最影响落地的短板。一条最强主线是闭环造数。Seed2Scale说明，具身数据不必持续重度依赖人工示教。随后RADAR、RoboClaw进一步把任务生成、执行、验证和复位并入系统流程，意味着“收数据”本身正在变成自动化能力，而不是训练前的人力准备。第二条主线是VLA增强重心后移。本周有效的方法不只来自预训练。
与prev1相比，本周延续了“更稳、更省、更能部署”的总方向，但内部重心已明显移动。持续存在的是部署链优化：按需计算的思路还在，只是从单点插件扩展为压缩、报警与服务栈协同。变化最大的两条线，一是长时程能力从记忆评测与插件化，转向未来预测、进度验证和失败恢复；二是闭环造数快速升温，数据采集、验证与环境复位开始被系统化。
相较 机器人VLA迈向可部署系统 (2026-W10) 中以 Tri-System 和 TempoFit 为代表的“按需推理 + 记忆插件”路线，本周“稳态部署”这条线继续存在，但证据更靠近完整执行链。DepthCache 给出1.07×–1.28×推理加速且成功率几乎不掉，RC-NF 把异常报警压到100 ms以内，OxyGen 则把统一KV缓存管理做进多任务服务栈。这说明关注点仍是省算力与稳运行，但对象已从单个记忆或调度插件，扩展到压缩、报警和服务编排的整链路优化。
相较 机器人VLA迈向可部署系统 (2026-W10) 里 RoboMME 对机器人记忆类型的评测拆解，以及 TempoFit 这类可插拔时序记忆，本周长时程研究的重心发生转移。AR-VLA 开始强调连续动作历史，SPR 强调可验证子目标与回退，而 DiT4DiT 和 FutureVLA 更进一步，直接预测动作后的世界变化，分别在 LIBERO 达到98.6%，在 LIBERO Long 达到96.0%，后者还在真实 Franka 四任务平均70.0%。本周不再只问“记住了什么”，而是更关心“接下来会发生什么、偏航后如何纠正”。
相较 机器人VLA迈向可部署系统 (2026-W10) 中世界模型更强调结构化动态表示与安全接口，本周出现了更强的“闭环造数”信号。Seed2Scale 只用4条种子示范就把平均成功率拉到68.57%；RADAR 把任务生成、执行、验证与自主复位串成自动采集系统；RoboClaw 则把数据采集、策略学习和部署代理统一起来。世界模型和数据引擎开始从辅助训练的组件，变成能持续产出、筛选并复位环境的生产基础设施。
机器人VLA迈向可部署系统 (2026-W10) 已经讨论了可部署系统，但本周新增了一条更鲜明的主动感知路线。VLA-Thinker 允许模型在推理中重新查看局部区域，在 LIBERO 达到97.5%，比 OpenVLA-OFT 高6.5个百分点，在 Long 子集高10.4个百分点；SaPaVe 也指出失败常源于“没先看清楚”。这类结果表明，机器人VLA的改进点正从被动编码观察，转向运行时主动补充视觉证据。
本周最稳定的主线，是把数据生产做成机器人自己能跑的闭环。Seed2Scale 只用4条种子示范，就通过“小模型采集 + 大模型验真 + 目标策略学习”把平均成功率拉到68.57%。随后 RADAR 与 RoboClaw 又把任务生成、执行、验证、复位和部署代理串成系统，说明“复位”和“失败恢复”正从人工劳动变成训练基础设施。
VLA（视觉-语言-动作模型）的增强点，已明显从单次预训练扩展到后训练、运行时和主动感知。AtomVLA 用原子子任务与潜在世界模型奖励补长时程执行；OmniGuide 在不重训的情况下加入几何与语义引导；VLA-Thinker 允许推理中重新查看局部图像，在 LIBERO 达到97.5%，比 OpenVLA-OFT 高6.5个百分点，在 Long 子集高10.4个百分点。
灵巧操作不再只比策略分数，而是同时补共享表示、人在回路纠错、接触建模和采集仿真。XL-VLA 将不同灵巧手动作映射到共享潜在空间，在4种灵巧手、10个任务上把总体成功率从约0.32提升到0.72。FAR-Dex 则把少样本示教扩增与残差控制结合，在4个任务上达到83%–95%成功率，并把每步延迟压到3.0–4.3 ms。
长时程能力的重点，已从“有没有记忆模块”转向“能否预测后果、识别偏航并及时纠错”。DiT4DiT 与 FutureVLA 直接把未来动力学放进控制模型，分别在 LIBERO 达到98.6%，在 LIBERO Long 达到96.0%，后者还在真实 Franka 四任务上做到70.0%。AR-VLA、SPR 和 VLA-Thinker 则从动作历史、进度验证和再观察机制补上恢复链路。
部署层创新已成为独立赛道。DepthCache 用深度先验做免训练 token 压缩，带来1.07×–1.28×加速且几乎不掉成功率；RC-NF 把异常报警压到100 ms以内；OxyGen 通过统一 KV 缓存管理，减少共享观测的重复计算，在单卡上兼顾语言生成与高频动作控制。研究焦点正从“模型更大”转向“整条执行链更稳、更省、更实时”。
Turn arXiv, Hacker News, OpenReview, Hugging Face Daily Papers, and RSS into local Markdown, Obsidian notes, Telegram digests, and a public site.