- 博客(149)
- 资源 (6)
- 收藏
- 关注
RSS订阅原创 2025–2026具身智能技术演进：六大前沿路线、工程边界与音视频体系新命题
2025至2026年，具身智能进入关键迭代周期，VLA视觉-语言-动作模型、世界动作模型、腿式运动强化学习、扩散灵巧操作策略、具身Agent、触觉力觉自适应六条技术主线快速发展，推动机器人从预设脚本控制走向可理解自然语言、预测环境变化、自主完成物理交互的通用智能形态。人形、四足、双臂操作平台加速走出仿真环境，但算法效果与真机稳定落地之间仍存在显著工程鸿沟，泛化能力、时序同步、端侧时延、物理接触控制与系统可靠性共同约束应用上限。
2026-10-25 20:33:43
163
原创 具身智能开源项目梳理-世界动作模型、VLA、工程底座与底层控制路线对比
当前具身智能开源方案分化明显，不同路线的取舍差异很大：有的优先用世界模型提升场景泛化，有的主打轻量化落地适配低成本硬件，还有工具链项目补齐仿真到真机之间的工程缺口，底层控制模块则负责保障机器人运动稳定。给新手的入门路径可以这样安排：先用LeRobot搭配SO-101机械臂上手实操，把数据采集、模仿学习、真机推理的完整流程跑通，建立直观认知；后续再转向学术研究或者工业落地项目，这类场景对算力、机器人本体硬件、闭环控制能力的要求会显著更高。
2026-10-25 20:24:28
262
原创 AI Agent & 大模型学习开源书单
整理 6 个国内 AI 从业者口碑很高的开源书籍项目，覆盖 AI Agent 工程、大模型系统架构、深度学习基础、强化学习理论与实战，全部附带开源仓库地址，部分支持在线阅读、配套代码与实验案例，适合碎片化学习与系统进阶。
2026-10-16 10:25:02
383
原创 2026年8大开源语音转文本模型汇总
2026年开源语音识别生态百花齐放，批量转写、英文高精度、中文多语言、边缘离线，每个赛道都有对应的优秀方案。但开源不等于零成本，实时对话、实体关键词、上下文感知这类高阶能力，自研落地门槛极高。选型第一步不是直接挑最强模型，而是梳理业务需求：批量文件还是实时对话、语种分布、是否离线、延迟要求、关键实体识别需求。再用真实业务音频做基准对比，最终决定是基于开源自建，还是采用托管API快速落地。
2026-10-16 10:08:04
354
原创 2026年10月具身智能行业资讯周报（10月01日-10月11日）
说明：本周报覆盖全球具身智能、人形机器人产业热点，内容涵盖国内产业基建、企业商业合作、产品定价、出货统计、技术演示、开源体系、国家标准、行业痛点、消费端市场、车企入局、城市服务试点、海外资本与产能规划；每条包含事件简述、事实细节、产业观察，末尾设置参考文献列表统一标注全部信息来源。
2026-10-11 13:17:12
1214
原创 【AIGC面试面经第14期】多模态相关问题汇总
难度评分：⭐⭐⭐ (3/5) | 考察频率：⭐⭐⭐⭐ (4/5)先说传统词嵌入。Word2Vec（2013）、GloVe 给每个词分配一个固定向量，常见是 300 维；BERT 输出的是上下文相关的向量，同一个词在不同句子里向量不同，BERT-base 是 768 维。不管哪一种，语义相近的词在向量空间里都离得近。"猫"和"猫咪"的向量很近，"猫"和"汽车"就离得远。传统词嵌入只在单一模态内部有效。文本、图像、音频的嵌入各在各的向量空间里，彼此没法直接比较，算不出文本"猫"和一张猫的照片有多相似。
2026-10-11 12:02:57
509
原创 【论文解读】一篇读懂 DreamTrue：从离线标定到反事实后训练，没有成对真值也能把机器人交互缺陷率从 48% 压到 6%
给定初始多视角观测x01Vx01V、任务指令ℓ\ellℓ和动作序列a1Ta_{1:T}a1T，模型对未来视频分布建模为：x1T1V∼pθx1T1V∣x01Vℓa1Tx1T1V∼pθx1T1V∣x01Vℓa1T其中VVV是相机视角数，TTT是预测时域，θ\thetaθ是模型参数。
2026-10-11 11:54:03
233
原创 【论文解读】 一篇读懂 Long-WAM：历史的价值不在“拿得到“而在“用得动“，AR 预训练把 19.2 秒上下文压进 107 毫秒
社区共建项目：AIGC算法工程师/开发工程师面试面经秘籍分享，
2026-10-11 11:49:43
283
原创 【论文解读】一篇读懂RobotWorld：从 Astra 16/84 到五模型合计 21/84，通用 Agent 的数字能力离可靠物理执行还差什么
一个任务被表示为一个元组，把环境、初始条件、目标、观测/动作接口、控制辅助、预算与评测器都显式化：TiEiρigiOiAiCiBiViTiEiρigiOiAiCiBiVi其中EiEi为环境、ρi\rho_iρi定义初始条件、gig_igi为目标；
2026-10-11 11:42:41
217
原创 【论文解读】 一篇读懂RoboJEPA：从 22M 到 8B，想象力误差的二阶幂律让机器人世界模型的能力可按算力预算预测
社区共建项目：AIGC算法工程师/开发工程师面试面经秘籍分享，
2026-10-11 11:37:52
328
原创 【论文解读】 一篇读懂视频世界模型的物理一致性基准：40 个可控实验 × 8 个视频模型，最高仅 57.76 分说明“看着像“不等于“符合物理“
社区共建项目：AIGC算法工程师/开发工程师面试面经秘籍分享，
2026-10-11 11:24:09
263
原创 【论文解读】一篇读懂ΔWAM：从 Fast-WAM 的各向同性世界损失到 Action Tangent Field 的各向异性权重，不靠具身预训练把 LIBERO-Plus 拉到 87.8%
写在前面:社区共建项目：AIGC算法工程师/开发工程师面试面经秘籍分享，Interview-for-Algorithm-Engineer，欢迎大家Star⭐收藏~AIGC时代的 《三年面试五年模拟》AI算法工程师求职面试秘籍独家资源： 【三年面试五年模拟】AI算法工程师面试秘籍,欢迎 Star⭐收藏~，诚邀大家参与项目共建，聚力赋能 AIGC 行业生态建设！AIGC算法岗/开发岗面试面经交流社群（涵盖AI Agent、AIGC图像创作、AI视频、LLM大模型、AI多模态、数字人、传统深度学习、具身智能
2026-10-11 11:13:01
419
原创 AI Coding Agent 开源学习项目汇总
简介：VS Code 原生 IDE 内置 Coding Agent，同时支持 SDK、CLI 模式；简介：成熟的终端结对编程 Coding Agent，深度集成 Git，独创 Repo Map 仓库符号映射技术，支持增量 diff 修改代码，兼容本地大模型与各类 API，适合在现有项目中做代码重构与功能迭代。简介：Google 官方推出的 CLI 编码 Agent，支持超大上下文窗口，原生集成谷歌搜索能力，可对接多种模型，兼顾代码编写、文档检索、项目调试，适合研究大厂终端 Agent 实现思路。
2026-09-28 15:45:36
211
原创 2026年9月具身智能行业资讯周报（9月21日-9月25日）
1、软银集团计划收购 RAI 研究所，形成机器人 “硬件归现代、AI 大脑归软银” 的新型产业格局9 月 18 日海外行业媒体 The Robot Report 披露，软银集团拟从现代汽车手中收购 RAI 机器人与 AI 研究所，交易金额未对外公开，目前该笔交易正接受美国外国投资委员会 CFIUS 的审查。RAI 研究所前身是 Boston Dynamics AI Institute，由创始人 Marc Raibert 于 2022 年创立，现代汽车累计投入超 4 亿美元，主要研究机器人运动控制、环境感知
2026-09-27 13:20:41
350
原创 【AIGC面试面经第13期】模型推理部署相关问题汇总
本节围绕模型推理部署的核心知识展开，覆盖从推理框架基础、框架选型、推理加速，到模型压缩、算子优化、内存优化、批处理调度、硬件选择和服务化部署等内容。读完本节后，读者可以系统理解一个训练好的模型如何从研发阶段走向生产环境，掌握影响推理性能的关键因素，了解传统深度学习模型与大模型在推理部署上的差异，并能够从延迟、吞吐、成本、稳定性和硬件适配等角度分析和设计推理部署方案。图优化通过一系列保持计算语义等价的图变换，对计算图进行重构，典型手段包括常量折叠、死代码消除、公共子表达式消除、算子融合、布局转换等。
2026-09-27 13:18:33
281
原创 2026年9月具身智能行业资讯周报（9月14日-9月19日）
Agility Robotics 发布 Digit5 人形机器人，打造全新协作安全架构，实现免围栏人机协同作业，负载、快充能力大幅升级，拿到超 3 亿美元订单，计划 2027 年供货，打通工厂大规模部署的安全障碍。宇树科技 9 月 10 日完全开源 6B 参数人形机器人基座模型 UnifoLM‑WLA‑1.0，依托真机数据与海量具身样本训练，可覆盖 64 项操作任务，空间推理多项指标刷新开源模型 SOTA，支持多类末端执行器适配。开源降低行业算法门槛，推动人形机器人从硬件优先走向软硬协同。
2026-09-27 13:13:01
482
原创 【论文解读】一篇读懂全模态统一扩散 VLA：策略、世界建模、目标预测、轨迹理解共用一条掩码扩散轨迹，视觉预测有没有用取决于推理时怎么组合
写在前面:社区共建项目：AIGC算法工程师/开发工程师面试面经秘籍分享，Interview-for-Algorithm-Engineer，欢迎大家Star⭐收藏~AIGC时代的 《三年面试五年模拟》AI算法工程师求职面试秘籍独家资源： 【三年面试五年模拟】AI算法工程师面试秘籍,欢迎 Star⭐收藏~，诚邀大家参与项目共建，聚力赋能 AIGC 行业生态建设！AIGC算法岗/开发岗面试面经交流社群（涵盖AI Agent、AIGC图像创作、AI视频、LLM大模型、AI多模态、数字人、传统深度学习、具身智能
2026-09-15 16:53:51
479
原创 【论文解读】一篇读懂具身世界模型模拟器：28 维统一动作 × URDF 骨架视频双注入，世界模型的价值不在生成视频而在可反复查询的模拟器
写在前面:社区共建项目：AIGC算法工程师/开发工程师面试面经秘籍分享，Interview-for-Algorithm-Engineer，欢迎大家Star⭐收藏~AIGC时代的 《三年面试五年模拟》AI算法工程师求职面试秘籍独家资源： 【三年面试五年模拟】AI算法工程师面试秘籍,欢迎 Star⭐收藏~，诚邀大家参与项目共建，聚力赋能 AIGC 行业生态建设！AIGC算法岗/开发岗面试面经交流社群（涵盖AI Agent、AIGC图像创作、AI视频、LLM大模型、AI多模态、数字人、传统深度学习、具身智能
2026-09-15 16:03:40
271
原创 2026年9月具身智能行业资讯周报（9月07日-9月13日）
制造侧出现更强的规模化信号。XPENG 宣布 IRON 人形机器人从新生产线下线；京东在 JDDiscovery 2026 提出五年采购超过 300 万台机器人的 Physical AI 加速计划。前者是生产线投入运行/产品下线，后者是需求规划，二者都还不能直接等同于稳定的大规模商业交付。数据正在成为独立的产业基础设施。服贸会出现具身智能数据跨境流通平台，JOYX 与 Hitch Interactive 宣布建设 real-to-real 数据层；
2026-09-13 20:42:47
189
原创 【AIGC面试面经第12期】具身智能算法工程师面试面经相关问题汇总
难度评分：⭐⭐ (2/5) | 考察频率：⭐⭐⭐⭐⭐ (5/5)定义：具身智能是指智能体依托身体，在真实或仿真的物理环境中，通过感知、理解、规划、行动、反馈和学习，完成开放世界任务的能力。核心区别在于任务形态数字 AI：输入数据 → 模型推理 → 输出结果具身智能：观察环境 → 决策动作 → 改变环境 → 获得反馈 → 持续修正普通 AI具身智能处理静态或离线数据面对动态物理环境输出文本、标签、图像输出动作、轨迹、控制指令错误多是信息错误错误可能造成物理后果单次推理即可完成很多任务。
2026-09-12 16:32:39
171
原创 【论文解读】 一篇读懂VLA具身推理诊断基准RoboSPA：从细粒度空间消歧到长程程序规划，五级难度把VLA量到“不如随机猜“
社区共建项目：AIGC算法工程师/开发工程师面试面经秘籍分享，
2026-09-12 15:01:42
216
原创 【论文解读】一篇读懂四足巡检具身智能体运行时：从 Fast-LIO2 到 Qwen3-VL，用共享上下文与安全门把“会进化的巡检狗“管成可审计闭环
社区共建项目：AIGC算法工程师/开发工程师面试面经秘籍分享，
2026-09-12 14:30:44
247
原创 【论文解读】一篇读懂 GigaBrain-WBC-0.5 行为世界模型：让跟踪器预测自己的未来，地形自动标注把接触几何补回来、OOD 命令在线回缩，地形 81.3%/摔倒恢复 99.3%
社区共建项目：AIGC算法工程师/开发工程师面试面经秘籍分享，
2026-09-10 18:01:59
238
原创 【AIGC面试面经第11期】大语言模型基础概念与概述相关问题汇总
基础概念与概述1. 大语言模型的基础概念与概述有哪些？面试问题：什么是大语言模型？其核心特征和功能是什么？面试问题：词元（Token）是什么？为什么是大语言模型的基石概念？面试问题：为什么称为“大”模型？“大”体现在哪些维度？面试问题：大语言模型与传统自然语言处理（NLP）模型的核心区别是什么？面试问题：大语言模型的生命周期包括哪些主要阶段？各阶段的核心目标是什么？2. 大语言模型有哪些主流模型？什么是开源模型？什么是基座模型？面试问题：当前主流的大语言模型有哪些？面试问题：什么是闭源/开源大模型？
2026-09-10 11:15:37
600
原创 【论文解读】一篇读懂 AnyWorld 跨本体世界模型：把一段人类第一人称交互拆成动作/相机/本体三因子，免配对重组成机器人原生 rollout，IRON 真机 20%→55%
论文研究的是零样本重组：把一段第一人称人交互视频转成目标机器人视觉经验，且不用人-机配对示范。给定源人视频VhI0hIThVhI0hITh，从中提取动作控制序列A1TA_{1:T}A1T和相机控制序列C1TC_{1:T}C1T；对目标本体eee，获取一个指定目标身体与场景上下文的初始帧I0eI0e。目标是生成V1TeGθI0eA1TC1TτeV1TeGθ。
2026-09-10 11:07:22
279
原创 2026具身机器人企业Demo纯干货汇总
全栈厂商兼顾算法与硬件整机，是行业落地主力；纯算法厂商聚焦大脑模型迭代，主打泛化与长程能力，为行业提供通用技术底座；配套厂商深耕灵巧手、感知数据、小脑运控等细分环节，补齐产业链短板；本体硬件厂商专注运动控制、机身硬件迭代，支撑机器人基础运动能力。行业已告别“剪辑摆拍、预编程演示”的粗放宣传阶段，一镜到底、无人工干预、长程自主实操、零样本泛化演示，成为企业证明真实技术能力的核心标准，短期包装化Demo已无法获得行业认可。部分高估值头部企业落地Demo偏基础、创新性不足，存在估值泡沫；
2026-09-10 10:46:01
298
原创 【论文解读】一篇读懂 Facet-0：从“把力当输入“到“把接触当预测且被打分的后果“，精密装配三段跃迁 16→38→82%
现代 VLA 策略把预训练视觉–语言骨干接一个动作解码器，能跨任务、跨本体地"听指令干活"。但精密装配测试的是另一件事：把宽泛的能力转换成可依赖的物理表现。在制造业里，识别和接近只把机器人送到接口，成败在最后一毫米被决定——亚毫米间隙下，小位姿误差变成侧向力、摩擦或卡死；视觉上相似的运动产生相反的物理结果；链式操作里一次接触失败就废掉整个任务。这意味着一个只输出运动、不接触后果的策略，在最该做选择的地方失去了选择能力。没有全程同步的力信号，"预测接触后果"就无从监督。
2026-09-09 11:45:57
723
原创 【论文解读】 一篇读懂EmbodiedSkills：把技能决策当执行提案，运行时前置校验加后置验证，让 VLA 策略长程任务可诊断、可替换
社区共建项目：AIGC算法工程师/开发工程师面试面经秘籍分享，
2026-09-08 16:19:58
430
原创 【论文解析】一篇读懂异步在线 RL：从动作块三分区到梯度截断，SmoothRL 让值梯度只流向真正执行的动作
250 回合后三任务都大幅超过冻结基策略：动态抛掷 39%→94%、笔盖 8%→83%、开箱 30%→90%。下表与学习曲线给出全过程。原论文表 1：各检查点成功率（累计 rollout 回合数，每成功率按每初始构型一回合算）。Task39%15072%20083%25094%8%15067%20075%25083%30%15020%20040%25090%如上图所示，零点为冻结基策略（虚线延展作参考），三个非零检查点来自每任务单次 RL run。
2026-09-08 16:08:48
239
原创 【论文解读】一篇读懂 VLA 模态纠缠：从证据打分到双铰链一致性损失，零推理开销让策略只信该信的传感器
社区共建项目：AIGC算法工程师/开发工程师面试面经秘籍分享，
2026-09-07 16:18:27
373
原创 【论文解读】一篇读懂 One Word, Different Action：从决策不变到决策敏感，单约束已饱和、多约束才暴露真问题
社区共建项目：AIGC算法工程师/开发工程师面试面经秘籍分享，
2026-09-07 15:14:10
344
原创 2026年9月具身智能行业资讯周报（9月01日-9月06日）
8 月 24 日，工业和信息化部发布《国家人形机器人产业标准体系建设指南（2026 版）》征求意见稿，提出到 2028 年建成覆盖人形机器人全产业链、全生命周期的标准体系，在能力测试评价、核心零部件、智能传感器、安全伦理等关键领域制修订一批急需标准。其中披露融资信息的企业中，单笔融资规模持续提升，覆盖从种子轮到成熟期的全周期。本文汇总近期公开披露的企业公告、政策文件及产业统计信息，梳理具身智能领域 10 项核心动态，覆盖产能落地、技术研发、供应链建设、政策标准与资本市场等维度，呈现行业发展的最新进展。
2026-09-06 17:40:44
469
原创 【论文解读】 一篇读懂统一机器人学习：从表征、VLA 到世界模型，三轴不耦合才是机器人学习的真瓶颈
作者在原论文 §2 给出了一套贯穿全文的形式化。机器人学习本质是部分可观下的决策：真实状态xtx_txt不可见，机器人只有观测oto_tot、交互历史hto1a1at−1othto1a1at−1ot、学到的表征ztϕψhtztϕψht或信念btpxt∣htbtpxt∣ht。
2026-09-06 17:27:35
492
原创 2026年8月具身智能行业资讯周报（8月24日-8月30日）
行业投资逻辑从单纯投资技术，转向投资拥有真实落地场景的企业，场景方战略投资将成为后续融资重要因素，餐饮、配送、酒店服务场景具备落地潜力。：8 月 24 日，小鹏旗下鹏行人形机器人业务完成首轮融资，融资金额超 9 亿美元，投后估值超 63 亿美元，刷新中国具身智能行业单轮私募股权融资纪录。：灵巧手 8 个专项斩获 7 金，作业赛道 6 金，竞技赛 5 金；：小鹏 IRON 高阶通用人形机器人，全身 76 个自由度，单手 21 个自由度，搭载 3 颗图灵 AI 芯片，有效算力 2250 TOPS。
2026-08-30 20:29:38
307
原创 2026年8月具身智能行业资讯周报（8月17日-8月22日）
与此同时，产业中试基础设施也在快速完善。8 月 19 日，宇树科技正式登陆科创板，开盘价 1100 元 / 股，较 150.80 元的发行价上涨 629.44%，总市值一度达 4449 亿元，中一签可赚 47.46 万元，创下年内 A 股打新最大肉签纪录。2026 年上半年出货量 274.5% 的增速，坐实了 “人形机器人量产元年” 的判断，但 35% 的实际上岗率说明，行业整体仍处于 “会走不会干” 的过渡期，从 “展会翻跟头” 到 “产线打工人” 的跨越，依赖具身大脑能力的实质性突破。
2026-08-23 11:53:28
245
原创 【论文解读】一篇读懂具身智能的闭环自进化：冻结 π0.5 与 GR00T，用动作频率级运行时 Critic 把成功率推向基座能力上限
写在前面:社区共建项目：AIGC算法工程师/开发工程师面试面经秘籍分享，Interview-for-Algorithm-Engineer，欢迎大家Star⭐收藏~AIGC时代的 《三年面试五年模拟》AI算法工程师求职面试秘籍独家资源： 【三年面试五年模拟】AI算法工程师面试秘籍,欢迎 Star⭐收藏~，诚邀大家参与项目共建，聚力赋能 AIGC 行业生态建设！AIGC算法岗/开发岗面试面经交流社群（涵盖AI Agent、AIGC图像创作、AI视频、LLM大模型、AI多模态、数字人、传统深度学习、具身智能
2026-08-21 18:37:49
461
原创 【论文解读】一篇读懂 GigaBrain-0.7：把理解、预测、动作拆成三系统，37K 小时异构数据如何撑出具身涌现能力
摘要： GigaBrain-0.7 提出了一种创新的三系统架构（理解-预测-动作），结合 3.73 万小时异构具身数据和一阶段对齐训练，显著提升具身智能的泛化能力。该模型通过 System 2（理解规划）、System 3（预测评估）和 System 1（动作控制）的协同，实现多模态理解与连续动作生成的统一，并采用 Mixture-of-Transformers 和 Soft Knowledge Insulation 技术平衡语义与动作学习。实验表明，其在零样本、后训练和经验强化三个阶段全面超越基线模型，尤
2026-08-21 17:57:17
439
原创 【论文解读】一篇读懂视觉触觉传感器综述：从 GelSight 到触觉基础模型，“变形即图像“如何把触觉接进图像 AI 流水线
论文：发布时间：2026 年 8 月 16 日（arXiv v1）作者：Peng Zhou、Jun Hu、Sihan Chen、Zeqing Zhang、Haofei Ma、Zhenyu Lu、Sichao Liu、Xueqian Wang、Pai Zheng、Xiang Li、Shan Luo、Jia Pan、David Navarro-Alarcon、Chenguang Yang、Michael Yu Wang（共 15 人）
2026-08-21 15:45:34
551
原创 一篇读懂π0.7：从 π0 到 π0.7，把“怎么做“写进 prompt，让次优与跨本体数据喂出会组合泛化的通用机器人
本文介绍了Physical Intelligence公司开发的π0.7通用机器人基础模型，其核心创新在于通过多模态上下文条件化方法提升组合泛化能力。该模型将子任务指令、子目标图和回合元数据等"怎么做"的详细信息嵌入训练prompt，使5B参数的模型能够消化演示、失败回滚、人类视频等多样数据。实验显示，π0.7实现了零样本跨本体迁移，在未训练过的叠衣服任务上达到85.6%进度和80%成功率，媲美375小时经验的人类操作员。论文强调，详细上下文是解锁多样数据的关键，而多样数据又支撑了组合泛化能力的涌现，这种协同
2026-08-17 19:07:39
344
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人