全部 AI 动态

Generalist AI 发布机器人基础模型 GEN-1.5，将 3–12 秒的传感器运动数据放入 30 秒上下文窗口即可执行任务，无需梯度更新或微调。在 10 项操作任务中，单次上下文提示平均成功率达 59%（±10%），每任务用 5 分钟数据做 10 步梯度更新后提升至 83%（±9%）。该能力并非显式训练，而是从超八个月预训练中涌现；目前无公开权重、API 或定价，属研究发布。

Rohan Paul@rohanpaul_ai

AI 评分 40/100

TARS 推出具身原生基础模型 AWE 3.5，采用“Born as One”架构，将动作、感知、几何与触觉整合进单一模型，而非后期拼接。该模型支持数分钟长时程闭环推理，任务执行效率约为 PI0.5 的 2 倍，并通过预训练双先验与后训练世界引擎滚动预测来优化决策。

AI at Meta@AIatMeta

AI 评分 53/100

Meta 发布 Muse Spark 1.2 新评测与演示，展示其多模态能力广度，涵盖视觉转代码、感知转物理动作及音视频理解。演示中，模型解析多模态观察并调用工具，引导机器人在非结构化环境中导航寻找橡皮鸭。

机器人初创公司 Generalist AI 发布 GEN-1.5，该模型可将 3 至 12 秒的演示作为“物理提示词”载入上下文窗口，让机器人无需训练即可执行任务。在开罐、取钱等十项测试中，平均成功率为 59%；用五分钟数据训练十步后，成功率升至 83%。模型还能串联两个提示词、使用仿真演示并部分模仿人类手部动作，但所有结果均出自公司自身，未经独立验证。

Dyna Robotics 发布 Dyna-2，一个在超100万小时第一人称人类视频上预训练的世界-动作模型（WAM），用于机器人操作。研究团队验证了从1,000到1,000,000小时数据的缩放定律，并首次将该定律零样本迁移至未见过的机器人数据；视频联合去噪在39/39任务上优于仅动作训练，将零样本机器人MSE从0.340降至0.120。

具身智能公司 Dyna Robotics 发布机器人基础模型 DYNA-2，基于超 100 万小时第一人称人类视频预训练，任务成功率最高达 90%。该模型通过预测下一帧画面及应采取动作，补足传统视觉语言模型缺失的空间推理与接触物理能力。

LTX 发布 LTX-2.5，一个面向视频生成、实时应用和物理 AI 的开源权重世界模型，针对 NVIDIA RTX GPU 和 DGX Spark 本地推理优化，降低了 VRAM 需求。

Rohan Paul@rohanpaul_ai

AI 评分 50/100

Dyna Robotics 推出 Dyna-2，一个用 100 万小时人类视频预训练的世界动作模型，证明机器人预测能力随人类视频数据量单调提升。该模型在未见过的客户现场实现 87% 生产通过率，远超 Dyna-1 的 46%。团队首次发现人类数据规模定律，并验证其可迁移至未见机器人数据。

Dyna Robotics: Today we are introducing Dyna-2, a world-action model pre-trained on one million hours of human video. At this scale, fo...

elvis@omarsar0

AI 评分 40/100

Dyna Robotics: Today we are introducing Dyna-2, a world-action model pre-trained on one million hours of human video. At this scale, fo...

小米技术宣布具身基座模型 Xiaomi-Robotics-1 正式开源。该模型基于超过 10 万小时 UMI 数据进行预训练，并使用超过 1 万小时跨本体数据进行后训练。本次开源覆盖从真机后训练到模型部署的完整流程，并提供相关 Benchmark 的评测代码。

京东今日开源自研实时流式视频编辑模型 JoyAI-Video-Edit，支持用户一边观看视频一边修改人物与场景。该模型基于全自研 JoyAI-Video 模型，在 720P 分辨率下实现每秒 30 帧的模型推理速度，并支持任意时长的稳定流式编辑。在 OpenVE-Bench 通用评测中，模型超越目前所有流式编辑方法，全局风格、局部替换等任务优势突出。

Jensen Huang@JensenHuang同事件

AI 评分 76/100

英伟达今日推出 Alpamayo 2 Super，一款面向自动驾驶的前沿开源推理模型，可在行动前理解并推理复杂世界。该模型适用于 Robotaxi、卡车、班车、配送车及拖拉机等移动机器人，已按 OpenMDW-1.1 协议开放商用，支持团队检查、微调与部署。

Google DeepMind 发布 Gemini Robotics 2，称其为迄今最先进的视觉-语言-动作（VLA）模型，可控制从桌面机械臂到全身人形机器人的各类系统。该模型支持全身运动、精细操作及多机器人协同，开发者可通过候补名单申请早期访问。同期发布的 Gemini Robotics ER 2 专为具身推理设计，已上线 Google AI Studio。

字节跳动今日发布新一代视频生成模型 Seedance 2.5，火山引擎将于近期上线 API 服务。徐工集团、小鹏汽车、智元机器人、穹彻智能等多家企业已达成合作意向，将率先接入该模型。Seedance 2.5 延续统一的多模态音视频联合生成架构，重点提升长叙事、多模态参考和编辑能力，并新增白模参考能力，已落地工业制造、汽车、具身智能、智能驾驶等实体产业。

火山引擎发布新一代视频生成模型 Seedance 2.5，并将于近期面向企业用户上线 API 服务。徐工集团、小鹏汽车、智元机器人、灵初智能、微分智飞、穹彻智能、Xspark AI（无界智航）等多家企业已达成合作意向，率先接入。Seedance 系列正从内容工具延伸至工业制造、汽车、具身智能等实体产业，用于训练数据合成、场景仿真与作业流程培训。

谷歌 DeepMind 发布 Gemini Robotics ER 2，这是其面向机器人的最强具身推理模型。相比 1.6 版本，ER 2 可分析连续视频流以追踪任务进度、在出错时调整，并在任务进度分类测试中准确率达 57.4%，时刻寻找测试中准确率为 91.3%。该模型执行速度为更大模型的 4 倍，支持多机器人协作，现已通过 Gemini API 和 Google AI Studio 公开提供。

Google DeepMind 推出 Gemini Robotics 2，通过 Gemini Robotics ER 2 等三个新子模型为机器人带来全身智能。ER 2 可处理实时视频流，关键动作识别准确率近 90%，并支持多机器人协作。新安全基准 ASIMOV-Agentic 已开源至 Hugging Face，ER 2 模型即日起通过 Gemini Live API 向开发者开放。

Demis Hassabis@demishassabis

AI 评分 60/100

Google DeepMind: One brain. For any robot. 🤖 We’re launching Gemini Robotics 2: our next-generation physical AI bringing full body intel...

Google DeepMind 发布 Gemini Robotics 2，该模型能从“脚趾到指尖”控制人形机器人全身动作，支持行走、蹲下、伸展和操作物体。新模型可控制更复杂的五指手，完成封袋、系垃圾袋等精细任务。同时更新的 Gemini Robotics ER 2 能更好理解任务起止，并支持多台不同类型机器人协作。

Google DeepMind 发布 Gemini Robotics 2，作为其下一代机器人的智能层。该版本包含三个模型：用于全身人形控制的视觉-语言-动作模型、用于具身推理与任务编排的 Gemini Robotics ER 2，以及可在数小时内适配新机器人本体的端侧 VLA。单个检查点驱动 Apptronik Apollo 2 与 Franka Duo，仅 ER 2 公开可用。

Chubby♨️@kimmonismus

AI 评分 55/100

Google DeepMind 推出 Gemini Robotics 2，可控制人形机器人全身动作，包括行走、蹲伏及五指精细操作。该系统融合三个模型，在全身任务上成功率 45.7%-76.3%，五指操作成功率从 32%（用簸箕）到 92%（拧灯泡）不等。

Google DeepMind: One brain. For any robot. 🤖 We’re launching Gemini Robotics 2: our next-generation physical AI bringing full body intel...

Google DeepMind 发布 Gemini Robotics 2，为机器人赋予全身智能。该模型基于 Gemini 架构，使机器人能协调手臂、躯干和腿部动作以完成复杂任务，并具备物体操控与环境适应能力。目前尚未公布具体参数规模、上下文长度及可用性细节。

🚨 AI News | TestingCatalog@testingcatalog同事件

AI 评分 53/100

Google 发布 Gemini Robotics ER 2，一个全新的具身推理模型。该模型在成功/失败检测上支持原始视频流而非静态快照，可捕捉溢出、滑落等执行中故障；通用仪表读数能力从圆形表盘扩展至数字显示屏、线性刻度尺、液体温度计等 10 种类型。其空间 VQA 能力也通过 Gemini 多模态理解提升得到增强。

Google DeepMind: One brain. For any robot. 🤖 We’re launching Gemini Robotics 2: our next-generation physical AI bringing full body intel...

fofr@fofrAI

AI 评分 50/100

Google DeepMind 发布三款新机器人模型。Gemini Robotics 2 是高级视觉-语言-动作模型，支持全身人形机器人、指尖操作和双臂机器人。Gemini Robotics ER 2 具备具身推理能力，可帮助机器人与人沟通、理解世界并规划多步骤任务。

Google AI@GoogleAI同事件

AI 评分 69/100

Google DeepMind 推出 Gemini Robotics 2，作为新一代自适应机器人的智能层，支持全身控制、高级灵巧操作及多机器人协作。同时发布新具身推理模型 Gemini Robotics ER 2，作为机器人的“高层大脑”，负责观察环境、推理任务步骤、协调视觉-语言-动作模型执行动作并追踪进度，使机器人能执行复杂多步骤工作流、自我纠错并适应全新场景。

智元自研的具身原生全模态大模型 WITA-Omni Preview 以 85.21 分综合成绩登顶 DailyOmni 榜单，在八项细分指标中的六项取得第一，超过千问、Gemini、豆包、英伟达等模型。该模型采用 Thinker–Talker–Actor 架构，将物理动作和表情提升为与语音并列的一级输出，并通过千万小时级多模态数据训练实现音视频联合理解与时序推理。

Black Forest Labs 发布 FLUX 3，这是首个在单一架构中联合学习图像、视频和音频，并从同一组权重输出视频、音频和动作预测的多模态基础模型。FLUX 3 Video 可单次生成长达 20 秒、带原生音频的视频，在 10 秒 720p 文本生成视频的人类偏好测试中，以 93% 的偏好率击败 Luma Ray 3.2。

特斯拉 FSD v15 早期测试版本已在 Robotaxi 车队中实际运行，目前搭载于改装版 Model Y（HW4 硬件平台）。相比 FSD v14，v15 规划了七项重大改进，当前版本已实现约 40% 的预期改进内容。FSD v15 计划今年晚些时候或明年初向公众推出，新模型参数规模将达到当前 FSD 的 10 倍，但 HW3 硬件车辆将无法获得该更新。