米哈游崩坏 AI 研发团队发布通用视觉-语言-动作(VLA)基础模型 Gamer,基于 Qwen3-VL-8B 训练,仅凭屏幕画面与任务指令即可输出键鼠操作,无需读取游戏内部接口。在覆盖五个主线篇章、约 50 小时的《崩坏:星穹铁道》长流程评估中,其自主运行时间占比超过 95%,首次将跨游戏实时操作与长流程记忆、规划统一进同一套 VLA 框架。
视觉-语言-动作模型
VLA
将视觉感知、语言指令与动作输出统一建模的模型范式,常用于机器人与游戏智能体控制
收录情报动态
谷歌发布 Gemini 4 Argon,定位为面向机器人控制、Real2Sim 场景构建与策略优化的通用物理推理模型,而非单一末端执行器策略。官方称其在 MuJoCo 孪生环境中引导 Spot 完成脚踏板任务,并通过单张 RGB 照片合成领域随机化场景,使视觉-语言-动作策略在真实环境成功率从 56% 提升至 75%;在 ERQA 基准上纯推理得分 87%。该模型已向 Google AI Ultra 订阅用户及付费 Gemini API 开放,但演示依赖大段任务专用提示词与验证器,且未公布失败率。
蚂蚁灵波首届具身大模型挑战赛决赛要求 15 支队伍在 48 小时内完成数据采集、模型调优与真机部署,并让同一套模型应对抓放水果、收纳化妆品和双臂清扫三项任务。平均年龄 25 岁的 TARS 团队在第三项任务中放弃官方 210 条抓把手数据,改为自采抓簸箕后沿的示范,最终以 82 分反超夺冠并赢得 8 万元奖金。这一案例说明,在 VLA 真机任务中,数据采集策略与末端接触方式的选择往往比模型调优更决定成败。
浙江大学 ACES 实验室 OmniAI 团队提出 VLA-Δ,把任务进展、空间位移与接触变化转化为显式预训练监督信号,让动作生成所依赖的内部表征同时学习任务语义与视觉运动。基于 2B 视觉语言骨干,该方法在 LIBERO 上取得 98.4% 平均成功率,真实双臂机器人五类任务平均成功率 68.0%。
Runway 以 Apache 2.0 协议开源了机器人控制模型 Praxis-1 的权重与源码。该模型基于视频与机器人数据训练,可接收相机图像、文本指令和位置数据并输出对应动作,且能通过追加训练适配新机器人本体。局限在于易混淆相似物体,尚不能独立规划复杂动作序列。
斯坦福团队提出一种无需梯度更新、无需新增示范数据的机器人策略调试方法:直接编辑视觉语言模型词嵌入层中与指令相关的 65 行参数,即可让机器人更可靠地响应不同措辞。在包含被改词元的 335 条留出指令上,成功率从 74.3% 提升至 87.5%,另有 430 个回合的成败结果完全不变。论文、代码与全部 16 次实验记录均已公开。
北京市经信局印发《北京市具身智能机器人产业高质量发展行动方案(2026-2028 年)》,提出建立具身智能机器人企业上市“一对一”服务机制,培育优势龙头企业。方案明确在整机、关键零部件、具身智能模型和数据采集等领域培育不少于 200 家科技型与专精特新企业,并支持 VLA、世界模型、强化学习等多技术路线融合创新。
谷歌推出迄今最强的视觉-语言-动作模型 Gemini Robotics 2.5,在灵巧度、可靠性与安全性三方面实现跃升,并在超过 200 项任务中完成测试。该模型已在奔驰生产线的真实概念验证中驱动 Apptronik Apollo 2 人形机器人拣选打包汽车零部件,成功率达 96%,相较前代基线成功率提升 30% 至 100%、任务完成速度快 20% 至 30%。目前该模型正向谷歌机器人合作伙伴开放。
Google DeepMind 发布视觉-语言-动作(VLA)模型 Gemini Robotics 2.5,称其相较自家此前基线在各类任务上提升 30% 至 100%。在匈牙利与德国的奔驰在产产线上,Apptronik 人形机器人 Apollo 2 完成金属零件分拣,报告成功率达 96%。DeepMind 同时以 Gemini 4 Argon 作为仿真引擎用于训练,并开源 ASIMOV-Jailbreak 基准以评测机器人模型安全性。
Google DeepMind 发布 Gemini Robotics 2.5,其视觉-语言-动作模型在灵巧操作上大幅提升,已能在梅赛德斯-奔驰工厂完成实际作业,并支持 Apptronik Apollo 2 人形机器人完成系蝴蝶结等柔性物体操作。团队同步推出开源安全基准 ASIMOV-jailbreak,为机器人与人类协同作业的安全评估提供标准化工具。