Reka AI 发布全模态模型 Rho-1，单模型处理文本图像视频与机器人控制

Reka AI 发布全模态模型 Rho-1 的研究预览版，这是一个 190 亿参数的模型，可在单一神经网络中处理并生成文本、图像、视频和机器人控制动作。与多数将任务分派给专用模型的系统不同，Rho-1 把所有模态作为 token 放在同一个共享上下文窗口中运行，无需工具调用或外部模型，可实时生成连续视频并即时响应新指令而无需重启。

Rohan Paul@rohanpaul_aiAI 评分5151

Perceptron 发布 35B 具身智能体模型 Mk1.5，可控制无人机、四足机器人、智能眼镜，并调度子智能体，无需平台特定重训练。模型针对 egocentric 视频训练，启用网页搜索、页面阅读、反向图搜和缩放工具后，MMSearch F1 从 18.2 升至 54.3；官方数据显示端到端延迟最高较 Mk1 快 4.7 倍（Chat 从 5.2 秒降至 1.1 秒）。

Black Forest Labs 发布 7B 开源权重世界动作模型 FLUX 3 Action，以 42.92% 登顶 RoboLab-120

Black Forest Labs 发布 7B 开源权重世界动作模型 FLUX 3 Action，用于机器人控制，在 RoboLab-120 上以 42.92% 任务成功率排名第一，领先 Cosmos 3 Nano 6.1 个百分点且参数少 56%。

Black Forest Labs 发布 7B 开源权重世界动作模型 FLUX 3 Action

Black Forest Labs 发布 FLUX 3 Action，一个 7B 参数、开放权重的世界动作模型。官方称可将 FLUX 的视觉智能转化为动作能力，用于机器人、模拟器或游戏。

Black Forest Labs 发布开源机器人模型 FLUX 3 Action

Black Forest Labs 发布面向机器人的开源模型 FLUX 3 Action，基于以视频数据训练的多模态 FLUX 3，可从机器人工作区的多机位视频预测智能体下一步动作及环境变化。BFL 称其仅 70 亿参数即在 RoboLab-120 排行榜创下成功率纪录，体积不到此前最佳开源模型一半，运行最快快至 3.95 倍；模型权重已上架 Hugging Face。

Figure 发布 Helix 2.5 模型，人形机器人可自主做家务

Figure 发布 Helix 2.5 模型，让人形机器人进入从未见过的家庭后立即自主完成整理客厅、折叠毛巾和整理床铺。Figure 在全球人类行为数据集 Index 上预训练该模型，并在湾区 30 户未收集过数据的家庭中实测；Index 预训练使任务成功率从 8% 提升到 56%，相比前代 Helix 02 只用一半任务专用数据即泛化到 30 个新环境。

Rohan Paul@rohanpaul_aiAI 评分6060

Figure 发布 Helix 2.5 端到端机器人模型，在湾区租用的 30 个家庭中，机器人未经额外训练即开始执行有用工作。家庭任务零样本成功率提升超过六倍，从 9% 升至 56%，成功标准要求完成全部任务、无部分得分。

Rohan Paul@rohanpaul_aiAI 评分5454

Odyssey 发布基础世界模型 Odyssey-3，称其可控制机器人、驱动人形、驾驶车辆、训练 AI、操控无人机甚至玩视频游戏。其路线是先用预训练世界模型，再接上用数十小时机器人演示训练的动作解码器；据作者转述，驾驶策略仅用 20 小时模拟数据训练后就能驶上印度真实街道，机械臂、人形遥操作和模拟无人机数据的用量也仅为数十小时。

蚂蚁灵波开源三款 LingBot-World 2.0 世界模型：Small 参数 1.3B 面向消费级单卡 GPU 设计

蚂蚁灵波科技继 7 月开源 14B 模型后，本周开源 LingBot-World 2.0 Small（1.3B）、Bidirectional 和 Causal Pretrain 三款模型。

生数科技发布 Motus2：面向灵巧操作的自进化通用世界模型

生数科技发布面向机器人灵巧操作的世界模型 Motus2，将行动、预测、评估三种能力统一进同一个共享参数模型，形成生成动作、预测未来、评估结果、更新策略的闭环，并加入轻量触觉专家模块。

Skild AI 发布 S1 机器人基础模型，可从单段视频学习新任务

Skild AI 发布 S1 机器人基础模型，通过 in-context learning 从单段视频演示理解并执行未见过的新任务，无需更新权重或任务专属后训练。

智元发布AGILE2.0感控一体模型，灵犀X2完成踩球走等视觉驱动任务

智元发布AGILE2.0感控一体模型，实现视觉感知、环境理解、全身运动控制与上下肢协同操作的端到端闭环耦合。通过短片《杂技BOT》展示灵犀X2钻火圈、跳长绳、踩球走、协作搬箱子等视觉驱动动态任务，其中踩球走为双足人形机器人自主实现。模型面向动态扰动、人机共存、多机协同等复杂场景，降低现实环境中的定制化开发代价，支持部署态规模化落地。

Unitree@UnitreeRoboticsAI 评分5555

宇树全面开源 UnifoLM-WLA-1.0 具身基础模型，官方称在全球开源模型中于多个基准取得新 SOTA 结果。单一模型可协调桌面与全身移动操作，支持跨任务和跨末端执行器泛化，实现单模型全身协调。

宇树科技完全开源通用人形机器人基座模型 UnifoLM-WLA-1.0，刷新开源多项评测 SOTA

宇树科技宣布完全开源新一代通用人形机器人基座模型 UnifoLM-WLA-1.0，称刷新全球开源模型多项评测 SOTA。真机评测中单模型统筹 64 个任务，覆盖桌面操作与全身移动操作，具备跨任务、跨末端执行器的泛化能力，在多项具身推理评测中领先国内外开源模型。

智元发布GE-Act 2.0，首次验证原生世界—动作模型预训练与Scaling路径

智元发布原生世界—动作模型GE-Act 2.0，所有参数从随机初始化在具身操作数据上从头训练，不针对评测任务微调或示范。

Rohan Paul@rohanpaul_aiAI 评分5757

Unitree 发布首个由世界模型驱动的自主人形机器人格斗视频，UnifoLM-X2-1.0 通过实时预测与规划取代人类操作员。相比现有 G1-Boxing 方案，世界模型在机器人行动前预测物理交互的走向，为策略提供决策依据；格斗等场景中延迟至关重要，Unitree 称 X2-1.0 可实时运行该循环。

Unitree@UnitreeRoboticsAI 评分5252

宇树发布 UnifoLM-X2-1.0，称其实现全球首个实时世界模型驱动的全自主人形机器人格斗。该模型突破世界动作基础模型在即时规划、决策和动态交互执行上的瓶颈，具备高动态、强交互和实时预测规划能力，宇树认为这验证了世界模型驱动人形机器人大规模部署的基础可行性。

宇树科技发布 UnifoLM-X2-1.0：世界模型实时驱动全自主人形机器人格斗

宇树科技宣布 UnifoLM-X2-1.0 实现世界模型实时驱动全自主人形机器人格斗，并公布实拍画面。官方称该模型突破瞬时规划、决策和动态交互执行等瓶颈，实现高动态、强交互的实时未来预测与规划，不再依赖预设程序或人工遥控。此前宇树人形机器人已在 2025 年进博会等场合多次公开格斗表演。

阿里千问开源 Qwen-Drive-1.0-4B 自动驾驶视觉语言模型

阿里千问本周开源 Qwen-Drive-1.0-4B，一款基于 Qwen3.5-4B 构建的自动驾驶视觉语言基础模型，官方称其为首个面向自动驾驶的视觉语言基础模型。

Runway@runwaymlAI 评分6363

Runway 公布通用世界模型 GWM Worlds 2 的新研究，可生成 720p、24 fps 连续视频并配 48000 Hz 音频的交互式实时模拟。用户可定义环境、主体、视觉风格、物理规则和氛围，用文本动作和连续镜头运动控制世界，会话没有预设长度，不遵循固定片段或脚本。

Qwen 发布 Qwen-Drive-1.0：面向自动驾驶的视觉语言基础模型

Qwen 团队发布 Qwen-Drive-1.0，称其为首个在预训练阶段统一 3D 感知与视觉问答、并延伸到运动规划的自动驾驶视觉语言基础模型，基于原生多模态 Qwen3.5-4B 且不改动预训练架构。

World Labs 发布世界模型 Atlas：从少量照片生成、重建并模拟 3D 世界

World Labs（李飞飞联合创立）发布世界模型 Atlas，可从几张照片完成 3D 场景生成、重建与仿真，输出最高 1440p、1 分钟的可控镜头视频，并支持点云与 3D Gaussian splats 等 3D 数据输出。

凡人小北@frxiaobeiAI 评分6262

World Labs 团队宣布达成重要里程碑，发布从头训练的多模态世界模型 Atlas，称其为首个此类模型。Atlas 支持像素级精确的相机控制生成帧、从单张输入图像重建大场景、通过重构视频模拟时空、从一张或多张图像原生输出 3D 空间，以及将多张带位姿图像合成为一致的 3D 世界，并称其为目前最好的相机条件世界模型，可用于 VFX 到机器人等场景。

World Labs 发布世界模型 Atlas：面向空间智能的多模态自回归扩散 Transformer

World Labs 发布新一代世界模型 Atlas，从零预训练，原生处理文本、图像、视频和 3D，架构为多模态自回归扩散 Transformer，输入以 3D 姿态形成空间上下文。模型支持相机控制生成（最长 1 分钟 1440p 视频）、稀疏视图 3D 重建、时空仿真和图像生成，在相机控制生成与 3D 重建任务上优于更专用的模型；现已开放早期访问申请，未来将驱动 Marble 等产品。

Fei-Fei Li@drfeifeiAI 评分5757

World Labs 发布从零训练的多模态世界模型 Atlas。模型可生成具有像素级相机控制能力的图像和视频帧，从单张输入图像重建大型场景，通过重帧视频模拟时空，并从一张或多张输入图像原生输出 3D 空间，还能将多张带位姿的图像合成一致的三维世界。作者称其为迄今最好的相机条件世界模型，可能应用于 VFX 到机器人等多个方向。

Google DeepMind 发布 Gemini Robotics ER 2 具身推理模型

Google DeepMind 发布 Gemini Robotics ER 2，定位为机器人的高层大脑，可理解物理世界、规划多步任务，并把动作执行交给底层 VLA 模型，同时支持调用 Google Search 等工具。

Google DeepMind 发布 Gemini Robotics 2，实现机器人全身控制

Google DeepMind 发布 Gemini Robotics 2，由 Gemini Robotics 2、Gemini Robotics ER 2 和 Gemini Robotics On-Device 2 三款模型组成，首次实现对人形机器人从脚到指尖的全身控制，并支持双手与夹爪的精细操作和多机器人协作。

Google DeepMind 发布 Gemini Robotics-ER 1.6，新增仪表读数能力

Google DeepMind 发布 Gemini Robotics-ER 1.6，这是其面向机器人推理的模型升级版，重点增强空间推理与多视角理解，并新增仪表读数能力，可读取圆形压力表、液位指示器和数字读数。