Runway 开源机器人模型 Praxis-1,以视频预训练驱动机械臂控制
Runway 以 Apache 2.0 许可开源机器人模型 Praxis-1 的权重和源码,模型从视频中学习物体运动规律,再结合相机图像、文本指令和机器人位姿预测环境变化并生成动作。
Runway 以 Apache 2.0 许可开源机器人模型 Praxis-1 的权重和源码,模型从视频中学习物体运动规律,再结合相机图像、文本指令和机器人位姿预测环境变化并生成动作。
Nvidia 在新研究报告中介绍 GR00T 2,这一世界-动作模型(WAM)同时预测下一步动作和未来短时视频画面,从而把人类视频中的动作迁移到机械臂。训练使用超过一千块 GB300 芯片的集群和约 40 万小时头戴摄像头拍摄的人类操作视频,测试中五指机器人无需遥操作即可完成点蜡烛、切香蕉等任务,成功率在 10% 到 80% 之间。
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 产线试点中,Apptronik 的 Apollo 2 机器人分拣金属件并按装配顺序放入托盘,成功率达 96%。
推荐理由:读者可了解 Gemini Robotics 2.5 在奔驰产线试点中的成功率,以及配套开源越狱基准的测试结果。
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项任务上成功率比此前基线高30%至100%,完成任务速度快20%至30%。
推荐理由:原文给出200项任务评测与奔驰产线96%成功率的实测数据,可据此判断VLA模型在真实工业场景的落地程度。
Google DeepMind 发布 Gemini Robotics 2.5,称其在需要高灵巧度的任务上明显提升,并已在 Mercedes-Benz 工厂完成实际工作。
NVIDIA 在 CoRL 上发布基于 Cosmos 构建的开放世界动作模型 GR00T 2,以及开源机器人学习框架 Isaac Lab 3.0 等仿真工具、基准和智能体工作流。
推荐理由:原文列出 GR00T 2 的少样本成功率与 Isaac Lab 3.0 的训练吞吐提升,可据此判断仿真训练对精细操作任务的推进程度。
NVIDIA 在 Cosmos 世界模型平台下新增四个 Cosmos 3 开放权重检查点,均为 Cosmos 3 Nano 的后训练版本,含 16B 可训练参数,采用 OpenMDW1.1 许可,允许商用与非商用。
推荐理由:文章给出四个开放权重检查点的能力分工与四阶段训练配方,读者可据此判断如何适配到自有传感器与机器人本体。
Nvidia 开源数据引擎 Flora,用于机器人视频标注,称标注一小时视频约 0.72 美元,而 GPT-6 Astra 约 88.49 美元。Flora 由三个微调的 Qwen3.5 模型组成,分别负责动作分段、描述和奖励评分,已在 GR00T 模型训练中每天标注最多 20 万小时视频,模型已上线 Hugging Face。
NVIDIA 发布 Cosmos3-H-Dreams,基于 Cosmos3-H-Embodied-Nano 的 160 亿参数模型,用临床胆囊切除手术视频与机器人运动学训练,可在单张 RTX PRO 6000 GPU 上实时交互运行。
推荐理由:原文给出模型架构、蒸馏流程与开源入口,读者可据此判断生成式手术仿真离实时交互有多近。
Google 发布面向机器人任务的 Gemini 4 Argon,宣称用同一模型完成机器人控制、虚拟仿真环境构建与训练视频评估。演示中它让 Boston Dynamics Spot 在 MuJoCo 仿真中练习后完成踩踏板投罐任务,并从单张照片生成 77 项任务、4500 多个训练回合,使真机成功率从 56% 升至 75%、执行时间从 35 秒降至 24 秒。
推荐理由:通过多个机器人演示与提示词细节,读者可判断单一模型覆盖仿真、控制与评估的实际边界。
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。
推荐理由:官方给出 Argon 在 ERQA 上的得分与四类机器人工作流示例,可据此判断物理推理模型在机器人栈中的落点。
Odyssey 面向公众开放其世界模型 Odyssey-3 的研究预览,用户可从文本提示生成可实时探索的交互环境,开发者可申请 API 访问。免费在线演示基于 Odyssey-3 Flash,基础模型 14B 参数、生成 832×480 视频,Pro 版支持 1280×720。
Reka AI 发布 190 亿参数全模态模型 Rho-1 的研究预览版,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。与多数将任务分发给专用模型的系统不同,Rho-1 把所有模态作为 token 放在同一上下文窗口中运行,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,预测摄像头图像的同一套权重也驱动机器人运动。
Google DeepMind 发布 Gemini Robotics ER 2,定位为机器人的高层大脑,可对话、理解物理世界并规划多步任务,再把动作执行交给底层 VLA 模型。
推荐理由:官方给出视频理解、任务编排与多机器人协作的能力变化和开放入口,可据此判断机器人在真实环境中的任务完成方式。
Google DeepMind 发布 Gemini Robotics 2,作为新一代机器人的智能层,首次实现对完整人形机器人的全身控制,并提升灵巧操作与多机器人协作能力。
推荐理由:原文给出三款模型的职责分工与本地部署、快速适配新机体的能力,读者可据此判断机器人智能层的当前边界。
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,重点增强空间推理与多视角理解,并新增仪表读数能力,可解读圆形压力表、液位指示器和数字读数。
推荐理由:官方给出与前代及 Gemini 3.0 Flash 的对比,并首次加入仪表读数能力,可据此判断机器人在巡检场景的落地边界。