NVIDIA 发布 Cosmos 3，基于 Mixture-of-Transformers（MoT）架构的开源全能模型，统一世界生成、场景理解、因果推理和策略生成。该模型通过自回归与扩散子序列联合注意力，在单一前向过程中处理文本、图像、视频、音频和动作等多模态。本次发布包含两个版本：Cosmos 3 Nano（16B 参数，8B 推理器 + 8B 生成器，面向工作站级 GPU）和 Cosmos 3 Super（64B 参数，32B + 32B，面向 Hopper 和 Blackwell GPU，用于大规模合成数据生成与研究）。两者均已上架 Hugging Face，并提供 Diffusers 集成、GitHub 后训练脚本和开源合成数据数据集。

小鹏集团5月交付新车32158辆，环比增长4%。5月20日上市的GX车型上市12小时大定达24863辆，Ultra旗舰版订单占比超八成。同月，其全球首款全栈自研L4级Robotaxi基于GX原型车量产下线，搭载4颗自研图灵AI芯片，算力达3000TOPS，计划三季度在广州示范运营。此外，一季度财报显示毛利率为20.6%，研发投入29.1亿元，二季度交付量指引为10万至10.6万台。截至5月底，其自营充电站已覆盖430+座城市，累计超3600站。

英伟达开源了 Alpamayo 2 Super 视觉-语言-动作（VLA）模型，参数规模从 100 亿增至 320 亿。该模型支持 360 度感知与推理式自动标注，专为研发 L4 自动驾驶设计。模型可通过知识蒸馏压缩，部署于 DRIVE AGX Thor 芯片。代码与权重将在夏季于 GitHub 和 Hugging Face 开源。

深圳市文旅产业发展有限公司与一家机器人公司达成战略合作，将在深中通道西人工岛联合打造全流程机器人服务的智慧酒店，计划于2027年初试运营。酒店将提供覆盖宾客接待、行李引导等七大核心场景的全天候智能服务，并将与西岛整体文旅生态打通。

宇树科技科创板IPO于6月1日上会，拟募资42.02亿元，用于智能机器人模型研发等四大项目。公司2025年营收约17亿元，主营业务毛利率达60.13%，核心部组件自研自产率超过90%。此外，宇树科技于5月12日发布了全球首款量产版载人变形机甲GD01，官方指导价390万元起。

FF创始人贾跃亭透露，5月EAI机器人终端销售出货量达69台，超过3、4月总和。公司计划首个交付季出货200台，全年目标1500台。FF同时向SEC提交线索函，持续打击非法做空行为。公司旗下产品包括Futurist、Master、Aegis等系列的具身智能机器人。

KITScenes Multimodal是一个欧洲自动驾驶多模态数据集，传感器套件包含高分辨率全局快门相机、探测距离超400米的激光雷达、4D成像雷达及冗余GNSS/INS定位系统。其HD地图首次在公开数据集中将所有驾驶相关交通元素（含红绿灯）以3D形式映射至重投影精度并附带完整拓扑连接。数据采集自街道布局不规则、混合交通模式的城市，补充地理多样性。同时推出四个基准：在线HD地图构建、长距离深度估计、新视角合成和端到端驾驶。项目页面已公开。

NVIDIA 发布 Cosmos 3 全模态世界模型家族，基于统一混合 Transformer 架构，联合处理与生成语言、图像、视频、音频和动作序列。该模型将视觉-语言模型、视频生成器、世界模拟器及世界-动作模型整合为单一框架，在多项理解与生成任务上达到新 SOTA。技术报告撰写时，后训练版本被 Artificial Analysis 评为最佳开源文生图与图生视频模型，被 RoboArena 评为最佳策略模型。代码、模型权重、合成数据集及评测基准已开源（Linux Foundation OpenMDW-1.1 许可）。

WALL-WM 是一种世界动作模型，将视频-动作学习从固定长度块优化转向基于语义事件的视觉-语言-动作（VLA）预训练。它把语义一致的动作事件作为基本学习单元，解决了语言、视觉与动作在时间粒度上的不匹配。WALL-WM 结合事件级描述与聚类平衡采样构建数据生态，并从同一预训练主干支持两种推理模式：事件模式（变长执行块）和统一模式（使用 VLM 与阶梯解码）。依托 Muon 优化器的大规模预训练基础设施，WALL-WM 在跨语言、场景与任务的真实世界泛化评估中达到当前最优性能。

本研究将视觉-语言导航与物体目标导航视为同一物体中心语义流形的不同接口，并提出一个免训练的框架PlatonicNav。该框架构建柏拉图拓扑地图，融合自监督视觉编码器的几何与语义节点距离，并通过盲目匹配来定位语言目标，无需任何配对的视觉-语言数据。在HM3D-IIN、OVON及MP3D上的R2R-CE等模拟基准测试以及Unitree Go2机器人上的部署表明，PlatonicNav在无需显式跨模态训练的情况下，实现了跨任务、跨模态和跨具身的泛化能力。

Greg Brockman@gdb

57

Sam Altman: OpenAI Robotics is hiring, looking for exceptional full-stack hardware, ops, systems, and ML engineers to help us progra...

Emad@EMostaque

78

Sam Altman: OpenAI Robotics is hiring, looking for exceptional full-stack hardware, ops, systems, and ML engineers to help us progra...

旧金山机器人初创企业The Bot Company（估值20亿美元）被指控秘密租用多处爱彼迎（Airbnb）房源作为机器人测试场地，导致房屋严重损坏。房东肖恩·多诺万索赔12383.50美元并起诉该公司。该公司由前Cruise首席执行官凯尔·沃格特于2024年创立，首轮种子轮融资1.5亿美元。其原型机器人具备机械臂和双夹爪，可自主整理物品。公司尚未推出正式产品，租用短租房源模拟居家环境进行测试，但未告知房东真实用途。

特斯拉FSD（监督版）系统已获得爱沙尼亚批准，使其成为欧洲第三个允许该系统上路的国家。爱沙尼亚交通局直接采信了荷兰道路运输管理局的车型认证数据。软件即将推送，但初期仅限搭载AI4硬件的新款车型，使用3.0版旧硬件的车主需等待特斯拉计划于夏末推出的FSD 14精简版。欧洲用户将使用针对当地法规定制的版本。由于特斯拉已在欧洲终止一次性买断，该功能今后将采用按月订阅模式提供。

CARVE是一个无预测的交互驾驶认证层，基于有限格点上的合作包络B_j(s)=β(π_j)α_j^max(s)，对被否决操作进行修复认证。在589个INTERACTION回放片段中，CARVE-Greedy接受了98.64%的初始否决动作，恢复了370/378个人工假否决，同时保持了589/589路权尊重、零优先级智能体假阳性与400/400负应力否决。CARVE不依赖预测或要求其他驾驶员合规，仅认证提议交互是否有界、可归因且符合规范。

Genesis AI 发布 Genesis World 1.0 仿真平台。该平台包含物理、渲染、编译、工具四大组件，其仿真与真实机器人部署的相关性达 0.8996。策略评估时间从超过 200 小时缩短至不足 0.5 小时。

AI训练数据初创公司Shift宣布将免费提供家政清洁服务，以此收集真实家庭环境中的操作数据，用于训练未来的家政服务机器人。Shift通过让人类执行清洁任务并记录动作数据，为机器人学习复杂家庭任务提供高质量训练素材。

英伟达联合香港理工大学、南京大学推出 LocateAnything 模型，专为机器人感知与 AI 智能体设计，可高速高精度从图像或截图中定位指定对象并输出检测框。该模型采用并行框解码技术，提供快速、慢速与混合三种模式。其训练数据集 LocateAnything-Data 包含 12M 图像、138M 语言查询与 785M 边界框。在单张 H100 GPU 上，混合模式速度达 12.7 Boxes Per Second，超过 Qwen3-VL（1.1 BPS）与 Rex-Omni（5.0 BPS）。在 LVIS（IoU=0.95）评测中得分 31.1，高于 Rex-Omni 的 20.7。

RoboStressBench是一个用于评估视觉语言模型在具身场景中对物理视觉压力鲁棒性的基准测试。它从逆向图形学角度出发，将视觉压力系统性地分解为材质、视角、光照和几何四个基于物理的维度。该研究通过对先进模型的全面评估，揭示了特定压力下的失败模式，并发现不同物理因素对识别、推理和规划等能力的影响存在差异。此外，研究还引入了一种压力感知智能体求解器，它能在推理前检测视觉压力源并调用视觉编辑技能，以提升模型在复杂场景中的鲁棒性。

AI训练数据初创公司Shift宣布将为纽约人提供免费家庭清洁服务，并计划扩展至伦敦等城市。作为交换，Shift要求拍摄其清洁人员工作的视频，记录洗碗、擦柜台、扫地、拖地等所有家务劳动。这些视频数据正被机器人公司竞相收集，用于训练机器完成家务，最终目的是销售家用服务机器人。

DynaFLIP 是一个动力学感知的多模态预训练框架，旨在将运动理解能力前置到感知阶段。该框架利用异构的人类与机器人视频构建图像-语言-3D光流三元组作为训练监督信号，以单纯形体积最小化为核心思想，结合余弦正则化与对比学习目标，优化单一图像编码器在共享超球面空间中的对齐。分析表明，该模型能聚焦于对机械臂操作至关重要的控制相关区域。其生成的视觉表示可作为可复用骨干网络，在多种下游策略（包括视觉语言动作模型）中均优于基线。在分布外场景下，性能提升高达 +22.5%。

一家初创公司正采用一种新方式为机器人训练收集数据：支付费用，让人类佩戴头戴摄像头，上门执行清洁任务，从而获取第一人称视角的操作数据。

宝马集团将从今年夏季开始，在德国莱比锡工厂部署由瑞士 Hexagon Robotics 公司开发的 AEON 人形机器人，参与高压电池组装和零部件制造。这些身高 1.65 米、重约 60 公斤的机器人预计主要用于生产纯电 MINI Countryman E，也可能参与宝马 1 系和 2 系的轻混车型制造。

宇树科技宣布其亚洲首家具身智能体验馆将于5月31日在上海开业。该店位于静安区久光百货，面积超100平方米，将集中展示G1人形机器人、R1人形机器人及Go2机器狗全系列C端产品，顾客可现场互动体验。此前，宇树科技已于4月29日在北京王府井开设全国首家直营店。

AI训练数据初创公司Shift宣布了一项独特的服务：为用户免费提供房屋清洁。条件是，公司会录制清洁工清洁、吸尘、除尘、整理和清洗的全过程，并将这些视频数据用于训练机器人。Shift解释称，由此生成的训练数据价值足以支付整个服务的成本。其宣传语称：“你获得一尘不染的公寓。我们获得训练数据。每个人都赢。”