Google DeepMind 发布 Gemini Robotics 2.5，在奔驰产线试点分拣金属件成功率达 96%
Google DeepMind 发布视觉-语言-动作模型 Gemini Robotics 2.5，在奔驰匈牙利 Kecskemét 和德国 Sindelfingen 的在产线上，Apptronik 的 Apollo 2 人形机器人用它分拣金属件并放入托盘，试点成功率达 96%。
具身智能
全部主题AI 走进物理世界：人形机器人、具身基础模型与真实环境操作能力的进展追踪。
18条精选相关主题NVIDIA 英伟达多模态论文研究
最新精选
第 1–18 条 · 共 18 条11月11日
11月10日
Google DeepMind 发布 Gemini Robotics 2.5 视觉-语言-动作模型
Google DeepMind 发布 Gemini Robotics 2.5，称其为目前能力最强的视觉-语言-动作（VLA）模型，在 200 项任务上相比此前基线成功率提升 30% 至 100%，完成任务速度快 20% 至 30%。
11月9日
NVIDIA 在 CoRL 发布 GR00T 2 世界动作模型与 Isaac Lab 3.0
NVIDIA 在 CoRL 上发布开放世界动作模型 GR00T 2，基于 NVIDIA Cosmos 构建，训练数据包含 10 万小时 NVIDIA 开源人类第一视角数据，可在无任务专属演示的情况下完成 50 项评测任务中的 40 项。
11月6日
AI2 发布 ToyBlocks：面向机器人学习的受控仿真框架
AI2 在 Hugging Face 发布 ToyBlocks，一个围绕机械臂与桌面方块搭建的开放仿真框架，属于其 FoundationWorlds 系列的第一个环境。
NVIDIA 发布 Cosmos 3 四个开放权重模型，用于交互式世界仿真
NVIDIA 在 Cosmos 世界模型平台下新增四个开放权重 checkpoint，均基于 Cosmos 3 Nano 后训练、含 16B 可训练参数，采用允许商用与非商用的 OpenMDW1.1 许可。
10月21日
NVIDIA 发布 Cosmos3-H-Dreams 手术生成式模拟模型
NVIDIA 发布 Cosmos3-H-Dreams，把交互式生成模拟扩展到临床胆囊切除场景，基于 160 亿参数的 Cosmos3-H-Embodied-Nano 微调，可在单张 NVIDIA RTX PRO 6000 GPU 上实时运行。
10月16日
Google 发布 Gemini 4 Argon，瞄准机器人全流程单一模型
Google 发布 Gemini 4 Argon，定位为覆盖机器人全流程的单一模型，可控制机器人、构建虚拟练习环境并评估训练视频质量。
10月14日
Google DeepMind 发布 Gemini 4 Argon 机器人模型
Google DeepMind 发布 Gemini 4 Argon，主打物理理解、代码生成与视觉语义推理，在 Embodied Reasoning（ERQA）基准上以纯推理取得 87%，称超过其他前沿模型。
9月30日
AMD 以 82 亿美元收购世界模型初创公司 World Labs
AMD 宣布以约 82 亿美元全股票交易收购专注空间智能的初创公司 World Labs，交易预计在 2026 年底前完成，尚待监管批准。World Labs 创始人李飞飞将加入 AMD 担任执行副总裁兼首席科学家，直接向 CEO 苏姿丰汇报并负责前沿研究。
AMD 将以 82 亿美元收购李飞飞的 World Labs
AMD 宣布以 82 亿美元收购 World Labs，后者专注理解物理现实的深度学习模型，交易预计在年底前完成并需通过监管审批。World Labs 创始人李飞飞将加入 AMD 担任执行副总裁兼首席科学家，双方去年已建立推理优化与训练合作。
9月24日
微软研究院：把物理 AI 推理卸载出机器人，任务成功率与续航同步提升
微软研究院对移动操作机器人工作负载做了系统性测量，发现把物理 AI 推理从机器人端侧 GPU 卸载到边缘或云端 GPU，可提升任务成功率、支持更大模型并延长续航。
9月22日
NVIDIA 发布 Isaac ROS 5.0，推进智能体化开源机器人开发
NVIDIA 在加拿大多伦多 ROSCon 大会上发布 Isaac ROS 5.0，这是一套基于 ROS 的 GPU 加速软件包集合，新增智能体工作流与平台支持，帮助开发者更快构建、定制和部署机器人应用。
7月30日
Google DeepMind 发布 Gemini Robotics ER 2 具身推理模型
Google DeepMind 发布 Gemini Robotics ER 2，作为机器人的高层大脑，支持视频理解、多步任务编排与多机器人协作，并可将动作执行交给底层 VLA 模型。
7月28日
Google DeepMind 发布 Gemini Robotics 2，为机器人带来全身智能
Google DeepMind 发布 Gemini Robotics 2，作为新一代机器人智能层，首次实现对完整人形机器人的全身控制，并支持双手与夹爪的精细操作。
7月21日
Hugging Face 发布 Grabette：开源机器人操作数据采集系统
Hugging Face 发布开源系统 Grabette，用手持夹爪加双摄像头录制操作演示，无需机器人或遥操作设备即可生成机器人可用的数据集。Grabette 手持端物料成本约 490€，配套的电机夹爪 Gripette 约 120€，硬件 CAD、树莓派采集软件和浏览器端处理流程全部开源。
7月8日
Mistral AI 发布 Robostral Navigate 具身导航模型
Mistral AI 发布首个具身导航模型 Robostral Navigate，这是一个 8B 模型，仅用单个普通 RGB 相机、无需 LiDAR 或深度传感器，在 R2R-CE 验证集未见环境上取得 76.6% 成功率，比最佳单相机方案高 9.7 个百分点，比使用深度或多相机的最佳系统高 4.5 个百分点。
7月7日
LeRobot v0.6.0 发布：世界模型策略、奖励模型与六个仿真基准
Hugging Face 发布 LeRobot v0.6.0，围绕机器人学习闭环引入世界模型策略（VLA-JEPA、FastWAM、LingBot-VA）、新一批 VLA（GR00T N1.7、MolmoAct2、EO-1、EVO1、Multitask DiT）以及统一奖励模型 API（Robometer、TOPReward）。
4月13日
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，可读取圆形压力表、液位指示器和数字读数。