智元机器人（AgiBot）公布，到 3 月底已出货超过一万台通用具身机器人。在南昌一条 3C 产线上，他们的人形机器人连续工作了 8 小时，按正式节拍要求完成了 2283 项任务，没有出错。不过，文章正文因为微信环境验证被屏蔽了，具体是哪款机型、任务细节和成本都没法看到。
推荐理由：智元自己报的量产和产线数据，我会先打个折——没有第三方验证，也没披露单台成本和故障率。但 1 万台这个数字在通用机器人圈子里确实少见，南昌那条 3C 线能跑 8 小时零失误，至少说明在特定场景下稳定性过了门槛。正文没提具体客户和付费情况，这点先别太激动。
宇树科技（Unitree）计划今年晚些时候上市。不过这篇 FT 文章正文被付费墙挡住了，只露了个标题和摘要。目前能确认的信息就这么多：有上市计划，时间大概在年内。至于融多少钱、估值多少、在哪上市、具体时间表，正文没披露。我会先打个折——标题里“投资人会不会拥抱”这个问句本身就说明市场对它的商业化能力和估值还有疑虑，这点先别太激动。
推荐理由：FT 的信源和 Unitree 上市计划本身够上 featured，HKR 三项都站得住。但正文没给募资额、估值、交易所和具体时间，我会先打个折，维持 73 分。这点先别太激动，目前只是一篇 Reddit 帖子，没有独立验证，也没看到论文或代码放出来。
Richard Sutton 团队给流式强化学习（就是来一条数据学一次、不存回放池的那种）开了个新方子，叫“意图更新”。核心思路很直白：先定好这次更新想让模型输出变多少，再反推学习率该设多大，用的还是 1967 年 Kalman 滤波里的一个公式。在 MuJoCo 机器人控制任务上，他们用纯流式、batch size 为 1 的训练方式，让 Inten...
推荐理由：我会先打个折：这篇是研究发布，不是产品级大新闻，所以分数不会冲太高。但 Sutton 的署名加上 Intentional Updates 在极端在线条件下的实验结果，确实给流式 RL 提供了一个很省算力的新思路。1/140 的 FLOPs 对比很直观，batch=1、无回放这些条件也贴近真实部署，对 RL 圈子来说信息量够硬。整体判断是强研究信号，但市场影响力有限，放在 78–84 这个区间合理。
这篇文章的正文被微信环境异常拦截了，实际内容无法读取。从标题和已有英文摘要看，Ted Xiao 的复盘主要讲谷歌机器人团队怎么从 RT-1 用 8.7 万条遥操作轨迹训练，走到 RT-2 把 50 亿到 550 亿参数的视觉语言模型改造成视觉-语言-动作策略。具体三个时代怎么划分、每个阶段踩了什么坑、规模化后效果到底提升多少，正文没披露，没法展开。
推荐理由：我会先打个折：这不是新发布，是一篇回顾性梳理，所以分数没往 80 以上走。但作者身份和内部数字让它值得上推荐位。Ted Xiao 把谷歌机器人学习拆成三个阶段，从遥操作采数据到把大模型当机器人脑子用，脉络清楚。RT-1 的 8.7 万条轨迹说明早期靠人工遥控攒数据的笨功夫，RT-2 用 5B 到 55B 的 VLM 改策略，点出了现在大家纠结的核心——模型大了能不能直接控硬件。正文没披露 RT-2 在真实场景的失败率或延迟数据，这点先别太激动。整体适合给做具身智能的人当路线图看。
特斯拉把车上摄像头看到的画面和碰撞传感器结合起来，让安全系统能提前判断要撞车了，不等传感器确认就先把安全带收紧、气囊准备好。团队用真实事故数据和仿真回放，拿人体模型测受力，发现早一点启动保护能明显降低预估伤害。这次改进通过OTA推给车主，但正文没披露具体支持哪些车型，也没给出伤害风险降低了多少的量化数字。
推荐理由：我会先打个折：信息来自马斯克的一条帖子，正文没披露 OTA 覆盖了哪些车型、伤亡率具体降了多少、验证方法是什么。所以它更像一个值得关注的产品更新，而不是一篇必须写的硬核发布。亮点在于把视觉预判和被动安全联动，思路清晰，但缺的数据让说服力打了折扣。
Helsing 计划在新一轮融资里融 12 亿美元，估值达到 180 亿美元。这家德国公司背后有 Spotify 创始人 Daniel Ek 站台。正文被付费墙挡住了，没披露更多技术细节或财务数据，所以这个估值到底靠什么撑起来，目前还看不清。
推荐理由：HKR 三项都站得住：FT 报道 Helsing 要拿 12 亿、估值 180 亿，是军工 AI 领域一个实打实的融资信号。没给更高分是因为正文只讲了钱的事，没披露具体产品能力或技术突破，信息量就停在资本层面。
StarVLA 把 VLA（视觉-语言-动作模型）里常用的主干网络、动作输出头、训练策略和评测接口都做成了可插拔的模块，不用再为不同论文各搭一套代码。仓库在 GitHub 上已经拿到 2.2k 星，支持的基准包括 LIBERO、SimplerEnv、RoboTwin 2.0、RoboCasa-GR1 和 BEHAVIOR-1K。正文没披露具体训练成本和...
推荐理由：我会先打个折：StarVLA 目前是框架级发布，不是新模型，所以权重不会给到模型首发那么高。但它的价值很实在——把多种 VLA 架构塞进同一套接口，训练和评估不用再东拼西凑，2.2k star 说明社区已经用脚投票了。正文没披露框架内各方法的横向对比数据，这点先别太激动，但统一工具这件事本身对机器人方向的工程效率提升是实打实的。
演讲者把机器人做成人形通用智能拆成六块：视频世界模型当第二预训练范式，世界行动模型（WAM）负责把感知转成动作，数据收集策略对标特斯拉 FSD 的物理数据飞轮，EgoScale 和灵巧性缩放定律试图量化训练规模与手部操作能力的关系，物理强化学习用来跑通最后一公里，DreamDojo 则是一个端到端的神经物理引擎。整体思路是照搬大语言模型的成功路径，但正...
推荐理由：我会先打个折：这是演讲者个人的路线图，不是论文或产品发布，所以别当官方公告看。但它的好处是把物理 AGI 拆成了 6 个能聊的模块，并且用 LLM 的发展阶段来类比，让做机器人的人能快速对齐讨论框架。正文没给出每个模块的具体验证结果或数据，所以这条路线图更多是观点而非实证。对从业者来说，值得扫一眼，但暂时不用太激动。
这篇是 ICLR 2026 的论文，讲的是英伟达 Cosmos Lab 和普渡大学搞的 Scenethesis 框架。它让语言和视觉模型组成一个 agent 闭环，根据文字描述生成 3D 场景。流程里加了视觉定位、基于 SDF 的物理约束，还有一个裁判模块来挑错。实验数据是：首次生成成功率约 72%，模型自己检查修正后能拉到 91%，碰撞率从 6.1%...
推荐理由：我会先打个折：正文没披露 72% 和 91% 是在什么数据集上跑的，也没说 judge 模块本身会不会出错，所以这个自检提升幅度先别太激动。但思路本身挺实在——让 agent 自己生成、自己检查、自己修，相当于给文生 3D 加了个质检闭环。SDF 物理约束这个点也值得留意，它不是纯靠视觉打分，而是用几何和物理规则卡了一道，理论上能减少穿模和浮空这种低级错误。对做机器人仿真和 3D 资产管线的人来说，如果这套流程真能稳定跑通，省下来的手工修场景的时间会很可观。
波士顿动力放出了新版 Atlas 体操演示，但同期消息显示 Atlas 月产量只有 4 台。Atlas 全身 56 个自由度，重 90 公斤，续航 4 小时，2026 年的产能已被现代 RMAC 和 Google DeepMind 预定一空。核心矛盾在规模：现代汽车目标是年产 3 万台机器人，按现在的月产 4 台算，攒够 1 万台需要超过 200 年。...
推荐理由：我会先打个折，这篇不是波士顿动力官方发布，是二手报道，所以重要性没给到85以上。但HKR三项都站得住：钩子靠月产4台和年产3万台的数字反差撑起来，知识密度有具体规格和产能分配对象，关联度直接打在机器人规模化这个行业痛点上。正文没披露Atlas具体售价和产线细节，这点先别太激动。
清华 AIR DISCOVER 实验室和合作方开源了 GS-Playground，已被 RSS 2026 接收。这个框架把批量 3D 高斯泼溅渲染和并行物理引擎绑在一起，专门解决机器人训练时视觉仿真的算力瓶颈。在 RTX 4090 上，640×480 分辨率能跑到每秒一万帧，同时并行跑 2048 个场景；50 个人形机器人的基准测试里也能维持每秒 10...
推荐理由：这篇是清华 AIR DISCOVER Lab 开源的具身智能仿真框架 GS-Playground，论文被 RSS 2026 录用。我会先打个折：它解决的是仿真渲染的吞吐问题，不是直接训出一个更强的机器人模型，所以重要性到不了模型发布那档。但它的数字确实硬——单卡 RTX 4090 在 640×480 下渲染能冲到 10000 FPS，最多并行跑 2048 个场景，50 个人形机器人基准也能稳住 1015 FPS。真正值得盯的是他们把 3D 高斯泼溅的批渲染跟物理仿真并行耦合起来了，这比单纯吹 FPS 更有工程价值。正文没披露大规模训练后的策略迁移效...
Meta 收购了做人形机器人基础模型的初创公司 Assured Robot Intelligence（ARI），收购金额没公布。ARI 的团队会整体并入 Meta 的超级智能实验室，之前他们在做让机器人理解、预测和适应人类行为的模型，目标场景是家务和其他体力活。这笔交易最直接的信号是 Meta 要把机器人数据和模型的工作从外部合作转向内部自研，但正文没...
推荐理由：这条消息本身信息量不大，正文没披露收购金额、团队规模、技术指标和后续路线图，所以我会先打个折。但 Meta 直接买团队而不是合作，说明它想把人形机器人的模型和数据能力握在自己手里，这对关注大厂机器人布局的人是个明确信号。标题里“人形 AI 野心”听着有点大，实际目前只看到团队并入和家务任务方向，别太激动。整体适合放进 featured，因为动作够具体、涉及实体够大，但缺细节，撑不起 P1。
Meta 买下了一家叫 Assured Robot Intelligence 的初创公司，这家公司专门给机器人做 AI 模型，Meta 想用它的技术推进自己的人形机器人项目。收购价格、团队规模和产品时间表正文都没提，所以这笔交易到底有多大分量还不好说。
推荐理由：Bloomberg 的消息，Meta 收购了 Assured Robot Intelligence，要做人形机器人。这事本身是个明确的信号：大厂在具身智能上开始押注了。但正文没披露收购花了多少钱、团队多少人、什么时候出产品，所以我会先打个折——知道方向，但不知道力度。H 和 R 都成立，K 偏弱，因为关键商业细节全缺。
小象电动做的是轴向磁通电机，用在机器人关节上。关节成本占人形机器人整机的35%到45%，这块一直是量产卡脖子的地方。他们给出的数据是：同等功率下体积和重量比传统电机小三分之一，效率做到97.5%，良率超过96%，目前累计出货接近7万台。客户名单里有华为、比亚迪、广汽和美团。今年还计划上一条年产15万台的自动化产线。不过正文因为微信环境验证没抓到完整内容...
推荐理由：我会先打个折：这是供应商进展，不是模型或平台发布，所以没给更高分。但小象电动拿出的出货量、效率和良品率数字够具体，而且已经进了华为、比亚迪、广汽、美团的供应链，说明不是PPT阶段。轴向磁通电机同功率下体积和重量降三分之一，这点先别太激动，正文没披露对比的是哪款电机、测试条件是什么。真正值得盯的是关节电机量产爬坡，因为这块成本占整机的大头，谁先跑通谁就有定价权。
罗剑岚团队和智元机器人搞了个新训练框架 LWD，已经在 16 台 Agibot G1 真机上跑过验证。LWD Online 在 8 个任务上平均成功率 0.95，长流程任务也能到 0.91。它的核心思路是把失败轨迹当训练数据用——他们攒了 652.5 小时的机器人操作数据，里面失败样本占了 34.8%，然后用离线转在线的强化学习方式让模型从这些翻车经验...
推荐理由：HKR三项都站得住：真机规模、任务数和成功率给了硬数字，失败轨迹占比这个数据点对同行有参考价值。不过具身智能的受众比基础模型窄，所以重要性定在78，不上头条。
生数科技新模型 MotuBrain 拿了两个第一：在 WorldArena 世界模型榜单上得分 63.77 EWM，在 RoboTwin2.0 的干净和随机两个测试里分别拿到 95.8 和 96.1 分。官方说它是在 Motus 基础上加了视频-动作联合建模、Latent Action VAE、MoT 和 UniDiffuser，能跨不同机器人形态做长...
推荐理由：MotuBrain 在两个榜单上拿了第一，分数看着挺漂亮。但正文没交代训练数据量、评测提交细节，也没有真实机器人的成功率数据，目前只能算单次刷榜。我会先打个折，等技术报告或实物演示出来再往上调。
4 月中旬有个叫 MotuBrain 的模型在 WorldArena 和 RoboTwin2.0 两个榜单上突然登顶，生数科技在 4 月 29 日认领了它。RoboTwin2.0 的干净环境和随机干扰环境分别拿了 95.8 和 96.1 分。演示里用三台不同的人形机器人接力完成了五项任务，核心是一套叫“世界动作模型”的设计，把视频、动作和语言用混合专家...
推荐理由：我会先打个折：分数和 Demo 都来自公司自己，没有独立部署数据，所以 82 分不往上调。但悬念认领加三台机器人实物演示，H 轴直接拉满；RoboTwin2.0 双场景高分和三流 MoT 架构把 K 轴撑实了；视频公司跨进具身智能这条线，R 轴也站得住。整体判断没变，三个轴都过，分数保持。
Scout AI 融了 1 亿美元，用来训练能在战场上干活的 AI 智能体。我们实地看了他们的训练场，核心目标是让一个士兵就能指挥一群无人车。不过正文没披露这轮融资是第几轮、谁投的、估值多少。
推荐理由：HKR 三项都站得住：1 亿美元、战争 agent 训练营、单兵控车队，信息够具体。但正文没披露轮次、投资方和估值，缺了这些关键商业信息，所以没到非写不可的程度。
这篇综述先捅破一层窗户纸：做强化学习、视频生成、Web Agent 的人嘴里说的“世界模型”根本不是一回事，论文之间没法比。作者团队拉出一个“能力等级 × 领域法则”的二维框架，把 400 多篇工作摆到同一张桌子上。能力分三层：L1 只预测下一步，L2 能做多步推演且遵守领域基本规则，L3 能在预测翻车时自己诊断原因、设计实验、修正模型。领域分物理、数...
推荐理由：我会先打个折：这不是新模型发布，是一篇梳理定义的综述。但它的价值在于把“世界模型”这个被用烂的词拆成可验证的层级和领域法则，400 多篇文献、26.2% 的物理一致性通过率、A-Lab 的闭环实验数据，都让讨论从玄学回到工程。对从业者来说，下次再有人说“我们做了世界模型”，可以直接拿这篇的框架去问到底在哪个层级、遵守什么领域法则。
南洋理工 MARS 实验室发了 REI-Bench，专门测机器人怎么理解人话里的模糊指令。他们把模糊程度分了 9 个等级，拿 4 套机器人规划框架搭上 6 个小模型跑了一遍。结果 LLaMA3.1-8B 加 SayCan 这套组合，在多轮对话里成功率从 57.7% 掉到 46.9%。最要命的是隐含指代——比如“把那个拿过来”但不说清是哪个——基线成功率...
推荐理由：这篇论文没造新模型，而是用一套模糊指令基准把现有方案拉出来遛了一遍。36.9%的成功率跌幅很直观，说明机器人一碰到指代不清、上下文省略的人类说话方式就崩。测试覆盖了4种规划框架和6个轻量模型，对照做得扎实，不是单点自嗨。对做具身智能的人来说，这个基准比刷榜分数更有参考价值，因为它暴露的是真实部署里绕不开的问题。
Applied Intuition 的 CEO 和 CTO 聊了他们从 YC 时期的自动驾驶工具链，一路做到估值 150 亿美元实体 AI 公司的完整路径。公司现在有 30 多款产品，全球非中国车企前 20 名里 18 家是他们的客户，L4 级无人卡车已经在日本跑起来了。他们反复强调，实体 AI 真正的瓶颈不是模型不够聪明，而是怎么把模型塞进车里：车载...
推荐理由：这篇复盘把 Physical AI 从融资故事拉到了实车部署层面，信息量够硬——估值、客户覆盖、L4 落地都有数字撑着。我会先打个折：正文没披露具体模型架构或安全验证的实测数据，所以重要性停在 80 这个区间是合理的。对做车端推理和自动驾驶落地的人，这篇值得一看，但别指望有技术白皮书级别的细节。
荣耀的人形机器人“闪电”在北京亦庄半马跑出50分26秒，比人类男子世界纪录57分20秒还快。宇树H1在1.9公里弯道赛段也跑出4分13秒。文章说2026年一季度具身智能融资近200笔、总额超300亿元，4月16日灵初智能又拿了4.55亿美元Pre-A轮。信号很直接：钱正从机器人本体流向模型和智能系统，硬件能卷的差不多到头了。
推荐理由：文章用一个直观的比赛成绩开场，然后落到融资数据和行业判断上，没有空谈概念。我会先打个折：正文没交代机器人是在什么规则、什么路况下跑的，和人类纪录的直接对比要谨慎看。但Q1融资规模和它石智航那笔大额Pre-A轮是实打实的新信息，加上“硬件护城河变浅、大脑才是下半场”这个判断，对关注具身智能方向的人有提醒作用。整体是评论性质，不是一手产品发布或论文，所以放在featured。
Project Prometheus 刚关掉一轮 100 亿美元的融资，估值大约 380 亿美元。领投的是贝索斯本人，跟他一起干的是前 Google 高管 Vik Bajaj。光看这个数字就知道手笔有多大：单轮融 100 亿，直接把一家做实体 AI 的公司抬到这个身价。不过正文没披露具体还有哪些投资方、产品到底做什么、以及什么时候会有东西出来，这些关键...
推荐理由：彭博给了个硬数字：Project Prometheus 以 380 亿美元估值完成 100 亿美元融资，贝佐斯和前谷歌高管 Vik Bajaj 参与主导。我会先打个折——投资方是谁、具体做什么产品、什么时候交割，正文都没说，所以这更像一个定价信号而不是完整故事。真正值得盯的是，这不是概念喊价，而是单轮 100 亿直接把实体 AI 推到 380 亿定价，说明资本在机器人方向的下注已经不讲武德了。
踏石智航在4月16号宣布完成4.55亿美元Pre-A轮融资，红杉中国、高瓴创投和美团联合领投。这笔钱创下了国内具身智能单轮和Pre-A轮融资的纪录。公司说他们的AWE3.0四模态模型把没见过视角的任务成功率提升了3倍，执行抖动降低了约45%，A1机器人还拿了个一小时完成亚毫米线束组装的吉尼斯纪录。不过正文没披露估值和具体交易条款，模型、数据和实际部署能...
推荐理由：这条我会先打个折，因为所有关键指标都是公司自己说的，正文没披露本轮估值和具体交割条件，外部验证也缺。但4.55亿美金这个数本身就够硬，红杉高瓴联手领投在具身智能里不常见，AWE3.0给的3倍成功率和45%抖动下降如果是真的挺省钱，A1那个吉尼斯纪录也说明在往工厂场景走。所以HKR三条都过，分数维持83，不升P1就是因为信息源单一，等第三方复现或估值细节出来再调。
特斯拉把资本支出计划上调到 250 亿美元，马斯克要把更多钱砸向 AI 相关项目。从 RSS 片段看，这些项目包括自动驾驶出租车、卡车、机器人以及芯片工厂，增幅被形容为“非常显著”。不过正文被付费墙挡住，没披露这笔钱覆盖的时间范围、具体怎么分项，也没提模型细节。能确定的一个信号是：特斯拉在投的不只是训练模型，而是从芯片到终端产品的整套体系。
推荐理由：FT报了一个具体的资本支出跳升数字，直接关联自动驾驶出租车、卡车、机器人和芯片工厂。我会先打个折：时间范围和分项花销都没给，模型细节也缺，所以不是必写级别。但250亿这个数够大，而且投向的是车、机器人和芯片产能整条链，不是只训模型，战略意义摆在那。HKR三项都踩中了，只是信息缺口让它停在featured中段。
MotuBrain 这个模型在 WorldArena 上拿了 63.77 的 EWM 分数，在 RoboTwin2.0 的干净和随机两种设置下分别得了 95.8 和 96.1 分，两项都是第一。它在运动质量、流分数和运动平滑度这些细分指标上也排在最前面。RoboTwin 的 50 个任务里它平均做到 96.0 分，第二名是 92.3 分，差距不算小。这...
推荐理由：H 抓的是匿名模型双榜第一这个反常事件，圈内打听本身就说明信息差和关注度。K 把具体分数和领先幅度摆出来，同时点明关键信息缺失——谁做的、怎么训的都不知道，读者能自己判断可信度。R 落在具身智能的核心争议上：一个模型同时做世界预测和动作输出到底行不行，这次有了可复现的 benchmark 证据。分数定在 81，因为结果本身有冲击力，但所有权、规模、训练数据和可复现性全缺，不能给更高。
苏度科技放出了他们的具身智能首秀Sudo R1，说是在完全没有用真实机器人数据训练的情况下，直接零样本测试了200多次，对100多种没见过的物体（包括透明、金属、软的和反光的东西）首次抓取成功率约98%，试两次基本能到100%。整个演示跑了60分钟。他们用的方法是在高保真模拟器里结合世界模型和强化学习来训练，相当于先在虚拟世界里把技能练好再搬到真机上。...
推荐理由：这条我会先打个折，因为所有指标都是自报的，没第三方验证。但零真机数据、zero-shot 直接上真机抓出 98% 首次成功率，这个说法本身就够硬，而且给了 200 多次测试、100 多个没见过的物体、60 分钟连续跑，数字具体，不是空口号。它正好打在机器人行业最疼的地方：真实数据又贵又慢，仿真到真机迁移一直是个坑。正文没披露融资金额、基准怎么定义的、谁做的第三方验证，所以分数没给更高。
智元在4月17号上海的活动上发了4款机器人、6个AI模型和7套标准化部署方案，把2026年定义为具身智能的“部署态”元年。远征A3续航标称8到10小时，WITA Omni 1.0的交互延迟目标是500毫秒以内，BFM模型用了一亿多帧图像和700小时动捕数据训练。他们还提到2025年出货超5100台、市占率39%，第1万台在今年3月下线。对从业者来说，重...
推荐理由：HKR三项都成立：文章开头就拿七套标准化方案说事，后面用出货量、市占率、延迟和训练数据做支撑。分数停在76，因为关键效果数据全是公司自己说的，客户侧的实际表现和独立验证正文没披露，我会先打个折。
荣耀的人形机器人“闪电”在北京半马跑出50分26秒，比乌干达选手基普利莫保持的人类纪录（57分20秒）快了将近7分钟。它身高1.65米，腿长约0.9米，中途撞上护栏摔倒，靠人扶起来后继续跑完。去年最快的机器人成绩是2小时40分42秒，今年直接压缩到不到三分之一，进步幅度很大。俄勒冈州立大学的机器人教授费恩认为，这主要说明中国在机器人硬件工程和系统稳定性...
推荐理由：这条消息的钩子很直接：一台人形机器人半马跑进50分26秒，比人类纪录快将近7分钟。我会先打个折——它中途撞护栏摔了，是在人帮忙扶起来之后才完赛的，所以不是完全自主跑完全程。但数字本身还是说明工程成熟度在往上走，去年同类最好成绩还要2小时40分，一年压缩到三分之一的时间，进步幅度值得盯。正文没披露控制方案和比赛规则细节，所以别急着往AI能力跃迁上解读，更多是机电、步态和系统集成的提升。对从业者来说，这条消息的参考价值在于一个可量化的性能标尺，而不是一篇公关稿。
高德在2026年亦庄人形机器人半马上展示了一只叫“图图”的四足机器人，完成了一段开放环境下的导盲避障演示。官方说全程没有预设路线，也没有人遥控。背后的技术栈叫ABot，分两块：ABot-N0负责导航，在7个导航基准上拿了SOTA，其中SocNav得分88.3%，说明在社交场景里避让行人的能力不错；ABot-M0管操作，在Libero-Plus上拿了80...
推荐理由：HKR 三项都站得住：半马导盲这个设定本身就新鲜，技术栈和关键成功率数字也给了，而且场景选得够狠，天然带话题。分数维持在 80 不往上加，是因为正文没提导盲实测到底覆盖了哪些路况、有没有出过安全事故、什么时候能商用——这些缺口让判断得先打个折。
高德这次公开的 ABot 是一套想让机器人真正干活的全栈技术体系，分视觉感知、物理世界模型和视觉语言动作模型几块。ABot-3DGS 能用厘米级地图数据重建上万平米的三维场景，ABot-PhysWorld 则是一个 140 亿参数的扩散模型，用 300 万条真实机械臂操作视频训练，让机器人先在大脑里模拟动作再执行。文章说横扫 15 项 SOTA，但具体...
推荐理由：高德这次公开的 ABot 体系，我会先打个折——15 项 SOTA 具体是哪些基准、跟谁比，正文没列，挑战赛名称也没给，这点先别太激动。但能聊的东西确实有：ABot-3DGS 拿厘米级地图和轨迹数据生成了上万组 3D 场景，号称覆盖率 99%，如果属实，等于用地图老本行给具身训练铺了一条低成本数据管道；ABot-PhysWorld 用 14B 的 DiT 加 300 万条真实操作视频做物理判别训练，规模不小。真正该盯的是他们把世界模型和 VLA 闭环绑在一起做的思路，不是单点炫技。开源范围和时间表都没披露，落地成色还得等。
高德在 2026 亦庄机器人半马上展示了 ABot-Claw 智能体系统和四足机器人 Tutu，主打自主导盲。ABot-M0 在 Libero-Plus 上拿了 80.5%，比 Pi0 高出近 30 个百分点，说明在复杂操作任务上进步明显；ABot-N0 在 7 个导航基准上刷到了 SOTA。他们开源了一个叫 UniACT 的数据集，包含 600 万条...
推荐理由：我会先打个折：半马名次、商业化时间和价格正文都没提，所以别当量产信号看。真正值得盯的是 Map as Memory、云边协同和闭环纠错这套工程思路——它试图把导航、操作和记忆揉成一个能在线纠错的系统，而不是单点 demo。Libero-Plus 80.5% 的成功率比 Pi0 提升近 30 个百分点，说明操作端确实有进步；7 项导航 SOTA 和 600 万条开源轨迹则给复现留了口子。但所有这些数字都来自他们自己的评测，没有第三方验证，这点先别太激动。整体看，这是一次把具身智能拉到开放环境里遛一遛的尝试，工程整合的价值比单项指标更大。
智元在4月17日的APC 2026上把2026年定义为“部署态元年”，核心案例是龙旗南昌工厂的Genie G2机器人：完成2283次上料任务，成功率超99.5%，单次节拍18到20秒，连续运行8小时。这些数字是公司自己公布的，正文没提有没有第三方审计。更值得看的信号是规模：智元称2025年出货超5100台，到2026年3月累计出货1万台，龙旗那边计划部...
推荐理由：HKR三条都踩中了。'Demo秀终结'这个角度有传播力，文章给出了工厂实测数据——8小时连续运行、2283次上下料、成功率超99.5%、单工序18-20秒，不是实验室摆拍。没给P1是因为这些数据全来自企业自报，正文没披露第三方审计或跨厂复现结果，我会先打个折。真正值得盯的是量产条件：2025年出货超5100台、2026年3月累计下线1万台，龙旗计划近千台部署，这些数字如果兑现，比单次Demo有分量得多。
2025年人形机器人拿到的投资是61亿美元，是2024年的4倍。钱突然涌进来，不是因为造出了C-3PO，而是机器人学习的方式彻底变了。以前靠人手写规则，比如叠衣服要定义领口、袖口、折叠角度，情况一多规则就爆炸。2015年前后，前沿做法改成在仿真里用奖励信号让机器自己试错，跑几百万次来学会一个动作。2022年ChatGPT出来后，思路又跳了一步：把大模型...
推荐理由：这篇不是新发布，更像一篇梳理，所以放在 featured 偏低的档位。我会先打个折：正文在案例部分被截断了，后续公司细节没披露，这点先别太激动。但它的价值在于把 61 亿美元的热钱和两条技术路线讲清楚了——仿真试错那套从 2015 年就在跑，2022 年后多模态动作模型开始让机器人直接输出动作，本质是用数据换掉手写规则。对做具身智能的人来说，这个框架比单点新闻更有用。
大语言模型能靠读书学知识，但具身机器人得在真实世界里摸爬滚打才能攒数据。觅蜂说现在全球高质量机器人训练数据加起来也就 50 万小时，跟大模型用的 100 万亿 token 完全没法比。他们这次推了一套叫 MEgo 的“无本体采集”硬件，就是让人戴着轻量夹爪和头戴设备直接记录动作，不用每次都搬昂贵的机器人本体。夹爪重 480 克，能 1080P 60fp...
推荐理由：我会先打个折：这还是一家公司的单次发布，正文没披露客户规模、定价和实际训练效果，所以分数没往上拉。但信息量够实在——觅蜂不卖本体，卖的是物理AI数据，智元自己拿数据也得走市场化下单。两款采集硬件参数也给了：夹爪480克、头显7个摄像头超300°视野、亚毫秒级同步。对盯着数据瓶颈的从业者来说，这些数字和商业模式比单纯秀机器人更有参考价值。
FT 这篇报道的标题说 Uber 要砸 100 亿美元转向无人出租车，但文章内容完全在付费墙后面，只显示了订阅引导页。正文没披露这笔钱是分几年花、投给自研还是外部采购、有没有锁定具体的自动驾驶公司或试点城市。100 亿这个数字看着很大，但不知道花钱节奏的话，更像一个战略表态而不是可验证的落地计划。这点先别太激动，等看到具体预算分配和合作伙伴再判断 Ub...
推荐理由：FT 只给了一个标题和一句摘要，正文是空的，所以信息密度极低。唯一能抓住的就是“100 亿美元”这个数字，够硬，也够模糊——没写是一次性投入还是多年总和，没写是自研、合资还是采购第三方车辆。我会先打个折：标题里的“战略转向”听起来像公关叙事，真正要盯的是后续资本开支怎么落地。目前没有时间表、没有合作方、没有落地城市，验证几乎为零，所以重要性卡在 79 是合理的，放在 featured 里当个信号看，别当定论。
Google DeepMind 发布 Gemini Robotics-ER 1.6，这是其面向机器人的推理优先模型升级版，强化了空间推理与多视角理解，并新增仪表读数能力。
推荐理由：原文给出新模型在空间推理、多视角与仪表读数上的能力变化和开放入口，可据此判断机器人高层推理的进展。
Psibot 说他们的 Psi-R2 模型在 AllenAI 的 MolmoSpace 基准上排到了第一，但正文没披露具体任务设置和完整对比基线，所以这个“第一”的含金量得先打个折。他们同时放出了一个 100,889 小时的操作数据集，其中 95,472 小时是人类数据，5,417 小时是机器人数据，目前只开源了 1,000 小时。数据覆盖 294 个...
推荐理由：我会先打个折：正文说“成功率高近10倍”，但没交代任务设置、基线模型全名和统计细节，这个第一的含金量暂时没法核实。不过数据集的规模和构成是实打实的——近10万小时人类数据加真机数据，还混了失败样本进去，这对训练机器人操作模型是个值得跟的信号。推理延迟压到100毫秒内，说明工程上做了不少优化。整体看，信息量够、有讨论空间，但榜单那部分先别太激动，等更多细节放出来再说。
腾讯混元与Robotics X联合发布了HY-Embodied-0.5，核心是一个叫MoT-2B的模型。它总参数量4B，实际干活时只激活2B，在22项具身智能评测中拿了16项第一。训练数据量不小：用了超过1亿条具身数据、600B以上的预训练token、3000多万条中期训练样本，还引入了视觉隐空间token、双向注意力、RFT、强化学习和在线蒸馏。这模...
推荐理由：我会先打个折：这还是一次模型发布，不是那种当天就改变行业格局的大事，所以分数没拉到 85 以上。但它的钩子够强——腾讯说 MoT 比 MoE 更适合具身，而且一个激活参数只有 2B 的模型在 22 项评测里赢了 16 项，数字和训练细节也给得实在。对做端侧机器人的从业者来说，这套专门为具身重做的架构和训练链路比通用模型微调有意思得多，所以 H、K、R 都站得住。
Micro1 这家公司雇了 50 多个国家的几千名零工，让他们把 iPhone 绑在头上，拍自己叠被子、洗碗、做饭的视频，再把这些真实动作数据卖给做人形机器人的公司。一个尼日利亚的医学生时薪 15 美元，在当地算高收入，但他觉得每天重复熨衣服很无聊。文章说 2025 年人形机器人拿到的投资超过 60 亿美元，机器人公司每年花在买这类数据上的钱超过 1 ...
推荐理由：这篇我会放进 featured。在家拍家务视频这个画面本身就够抓人，而且文章给出了规模、薪酬和支出的具体数字，不是空谈。更值得盯的是它把一条隐藏的数据管线摊开了：工人知道视频是给机器人训练用的，但正文没披露这些数据怎么存、跟谁共享、能不能删。这种治理上的模糊，比融资数字更说明行业现在还处在野蛮生长阶段。