今日场景今天具身赛道的主线是数据从哪来。AIRoA-0 只用人手持夹爪录的演示就训出双手操作模型，软手指夹爪那篇讲怎么把这类数据采得更好，GUILD 讨论该采什么数据，Liber-0 则直接从人类视频和手套数据里学。另一条线是让大模型的能力在机器人上用得起：ARP 让大模型低频更新、小模型高频出动作，AFO 把视觉基础模型蒸馏成只看 RGB 的小策略，ZAP 在仿真里给小 VLM 补上动作控制这一课。 — 评分 140 篇，入选 10 篇，分数 3.42 – 4.79
机器人模仿学习一般要先在机器人上遥操作采数据，AIRoA-0 一条机器人数据都没采。它只用人拿着手持夹爪录下的 16,151 小时双手演示训练，机器人只在测试时才出场。在一个训练数据从没录过的场地，它只靠两只手腕上的相机，完成分拣零件、给扫地机器人换拖布和刷子、叠毛巾等十项任务，平均成功率 78%。同样用这些任务的演示做后训练，另外四个视觉语言动作模型（VLA）里最好的只有 27%。采数据不必绑在某一台机器人上，装同款夹爪的机器人都能直接用。
用少量演示把通用的视觉语言动作模型（VLA）微调到一个具体任务上，任务本身做得更好了，但换个物体、换个背景或换种说法，就容易失败。RAFT 把后训练拆成两步：先在带推理标注的数据上训一组 LoRA，标注写的是这个任务该关注哪些物体和区域；然后把这组 LoRA 冻住，再用动作演示微调策略。在真实的 DROID 机器人上，遇到训练里没见过的情况时，成功率从普通微调的 27.9% 提到 75.0%。训出的策略也更多地看向任务相关的区域，先教会它看哪里再教动作，泛化就丢得少。
GPT-6 Astra 这类前沿大模型已经能直接控制机器人，泛化还比 VLA 好。作者认为这种能力可以拆成两件事：看懂任务要什么，以及把机器人动起来。小的开源 VLM 第一件已经会，主要缺的是第二件。ZAP 只在仿真里补这一课，练的是简单的基础动作任务，学的是模型自己做成功的轨迹，不用真机数据，也不蒸馏大模型。在真实任务上，它的成功率达到 96.7%，和 GPT-6 Astra 持平，完成一个任务的花费却只有后者的十七分之一。缺什么就只补什么，小模型也能接近前沿模型。
VLA 越做越大，每一步都要等大模型推理完才能出动作，机器人的反应就慢了。ARP 把两件事拆开、各跑各的：大的 VLM 隔一阵更新一次它对任务和场景的理解，论文叫语义记忆；一个小的视觉动作模型参考这份记忆，高频地输出动作。大模型的理解总会晚上一拍，所以小模型每一步都会被告知这份记忆已经过时多久、自己的动作执行又要延迟多久。训练时也故意喂给它较旧的记忆，让它学会在这种错位下照样出动作。在 Franka 机械臂上和常规 VLA 基线相比，它的成功率更高，完成任务的时间少 20%。大模型不必每一步都在场，VLM 降到原来十分之一的频率，效果也基本不掉。
灵巧手操作不只是把物体挪到某个位置，还要让手指一直以合适的方式握着它，后面的动作才接得上。很多方法只给物体的目标位姿，手该怎么握留给策略自己摸索。DexHOT 把目标直接写成手的关节姿态加上物体相对手腕的位置，策略学的是从一种握法换到下一种握法，长任务就拆成一串这样的子目标。训练数据全部是合成的，不用人类示范动作。在 120 个物体上，一个策略对见过的物体成功率 80.5%，对没见过的是 69.4%。
用户让移动机器人把玩具收进玩具箱，机器人得先弄清哪些东西算玩具、用户指的是哪个箱子。场景表示如果是在收到指令之前建好的，里面可能根本没有回答这些问题需要的信息。FEIJOA 让语言模型 agent 拿到指令后再去查：反复调用一个定位工具检索扫描好的场景，检查返回的候选，改写查询，直到能确定目标。在开放式的定位查询上，它完全找对 94.2%，最好的预建场景表示只有 68.0%。在 Spot 机器人的真机任务里，失败大多来自抓取这类物理动作，而不是没理解指令。
深度估计、分割这类视觉基础模型能给机器人操作提供很有用的信息，但放进闭环控制里太慢，前后帧的输出也不稳定。AFO 只在训练时用它们：先训一个老师策略，同时看 RGB 图像和多个基础模型的输出；再把老师学到的东西蒸馏给一个只看 RGB 的学生策略，部署时只跑学生。在仿真基准上，学生的参数比基于基础模型的编码器少 30 多倍，延迟比老师低 50 倍，效果仍好于此前借助基础模型的方法。想用基础模型的感知能力又受不了延迟，这是个省事的办法。
用手持夹爪采抓取数据又快又便宜，但常见的设计要么依赖外部基站，要么手指太硬，看不出抓得多用力。这篇在 YUBI 上做了一款带电池的手持夹爪：软手指会包住物体，受力时明显变形，相机画面里就能看出用了多大力，手指形状也和机器人的夹爪一致。他们用它采了一份多物体的抓放数据来训 π0.5，得到两个实用的结论。顶部相机即使只有约一半的数据里有，也能让成功率高 13 个点。先在这份多任务数据上做中间训练，再到新物体上微调，成功率从 35% 提到 57%。
机器人模仿学习的数据通常靠遥操作员凭感觉去采，很多数据其实对策略帮助不大。以往的做法是采完再筛，可没用的数据已经花钱采了。GUILD 改成边采边调方向。先让 VLM 根据部署场景提出该采哪些环境、物体摆放和目标；采回来后，用采到的数据训一次策略，再用数据归因的方法估算每条轨迹对目标场景表现的影响，也就是它加进训练后会让表现变好还是变差。这个估算结果决定下一轮采什么。在仿真和真机上，它都比被动采集、几种基线和有经验的机器人工程师更省数据。只让 VLM 出题、不看反馈的版本，平均表现要低约 25%，该采什么要看对策略的实际影响。
让机器人向人学动作，难点在于人类视频里没有动作标签，人手和机器人的身体也不一样。北京创业公司 LiberAI 发布的 Liber-0 用超过 220 万小时的人类经验数据预训练，同时预测未来的画面和动作，并用数据手套直接记录手部动作来补上标签。在 GPT-6 出的一组任务上，不针对这些任务采机器人演示，整体成功率是 36.0%。简单的抓放任务好得多，长流程任务只有 10.5%，目前这些数字都来自公司自己的评测。