选择何时取代抽取？一项基于类型化决策模型 Jev 的智能体记忆预注册测试
在 LoCoMo 与 LongMemEval 上的预注册测试显示，用类型化决策模型 Jev 单次调用选出的原始对话轮次，在紧预算下与 LLM 抽取式记忆非劣（单侧 95% 界 -3.0 分，非劣界 -5 分），且写入成本低 3,061 倍。
#论文/研究
Hugging Face 每日论文AI 评分5555
嵌入式微处理器精选AI 评分5757 中科院半导体所与港大在《Science》发表铁电隧穿结存储器件成果
中国科学院半导体研究所团队与香港大学团队合作在《Science》发表铁电隧穿结存储器件成果，采用氮化硼势垒层、3R堆叠硫化钼滑移铁电层和单层石墨烯电极，使极化同时调节隧穿势垒高度与参与隧穿的电子数量。
推荐理由：原文拆解了器件结构与双机制协同放大的原理，读者可据此理解读出对比度与耐久性为何此前互相制约。
Skild AI 博客精选AI 评分6464 Skild AI 用物理自我对弈后训练 S1，让机器人在仿真中学会踢足球并迁移到人形机器人
Skild AI 宣布通过物理自我对弈完成一项后训练突破，其机器人基础模型 S1 在与自身对弈的仿真中学会了踢足球等高度灵巧和动态的任务。模型只被给出进球这一个目标，在 NVIDIA Isaac Sim 中与近期版本的自己对抗，逐步自行学会带球过人、护球和铲球，这些行为因有助于进球而涌现，未手工设计奖励。
推荐理由：原文给出仿真时长、涌现行为和 sim-to-real 迁移结果，可据此评估自我对弈后训练路线在具身智能上的可行性。
嵌入式微处理器精选AI 评分5858 AI 能写驱动补丁了，但为什么嵌入式没那么好替代？
作者结合 Linux 内核收到 AI 生成的 prom21-xhci 驱动补丁和 EmbedAgent（ICSE 2026，arXiv:2506.11003）基准，分析 AI 在嵌入式开发中的实际边界。
推荐理由：原文结合内核补丁案例与 EmbedAgent 基准数据，给出可直接对照的 AI 分工清单，便于工程师判断哪些活可交出去。
Figure AI 新闻精选AI 评分7878 Figure 发布 Helix 2.5，实现 30 个陌生家庭零样本全身作业泛化
Figure 发布 Helix 2.5，机器人在 30 个未采集过数据的湾区家庭中零样本完成整理客厅、叠毛巾、铺床三项全身长时程任务。对照实验显示，在架构、超参与下游数据固定的前提下，仅 Index 预训练就将零样本成功率从 9% 提升到 56%；相比 Helix 02，Helix 2.5 用一半的任务数据达到同等成功率。
推荐理由：原文给出 Index 预训练与从零训练的对照实验，9% 到 56% 的差距可帮助判断人类数据预训练对零样本泛化的实际贡献。
Figure AI 新闻精选AI 评分6666 Figure AI 发布机器人训练数据集 Index，累计采集超 1600 万条视频
Figure AI 发布机器人训练数据集 Index，配套 App 已在 Google Play 与 App Store 上线，累计下载 264,000 次、覆盖 108 个国家，Creator 上传超 1600 万条视频，每秒处理 30 分钟视频上传。
推荐理由：原文披露了每千小时数据的任务与物体多样性指标，以及五阶段数据管线，可作为机器人数据采集规模化的参考。
Skild AI 博客精选AI 评分7676 Skild AI 发布机器人基础模型 S1，用单段视频提示完成未见长程任务
Skild AI 发布旗舰机器人基础模型 S1，作为上下文学习器，仅凭一段视频演示即可执行未在预训练中出现、最长 10 分钟的操作任务，无需微调或后训练。在内部基准上，未见任务中 ICL 在 100k 小时预训练数据下达到 66% 成功率，语言提示 VLA 为 9%；已见任务中 S1 达到约 96%。一次上下文演示约等于 380 个后训练示例，植物移盆任务从演示到自主执行用时 11 分钟。
推荐理由：原文给出 ICL 与语言提示 VLA 在 1k 到 100k 小时预训练下的成功率对比，可作为评估提示范式选型的参考。
波士顿动力博客精选AI 评分5656 波士顿动力 Atlas 能否通过足球学会运动？
波士顿动力与现代合作，用人类示范和强化学习训练 Atlas 人形机器人完成此前未见的 Ghost Rabona 花式踢球动作。团队用光学动作捕捉记录球员与工程师 Roberto 的高保真运动数据，经重定向映射到 Atlas 运动学结构后，在云端 GPU 并行数千次仿真训练，相当于 24 小时内完成一年的物理试错，学到的策略几乎全部首次上机即成功。该训练方法可迁移到仓储、工厂等实际作业任务。
Dexterity 博客精选AI 评分6464 Dexterity 发布物理 AI 世界模型 Foresight，基于 1 亿次自主动作训练
Dexterity 公开其物理 AI 世界模型 Foresight，该模型基于生产环境中超过 1 亿次自主动作的经验训练，面向企业物流场景的安全关键型机器人应用。
推荐理由：原文给出世界模型在生产环境的训练规模与决策时延，可据此了解工业操作场景对世界模型的可解释与实时要求。
Skild AI 博客精选AI 评分5858 Skild AI 探索通过观看人类视频学习机器人技能
Skild AI 提出 Omni-bodied Learning，让机器人模型仅通过观看人类视频演示即可学习新技能，只需不到 1 小时的机器人数据微调。该方法针对遥操作数据在多样性与规模上的瓶颈，以及视频缺少力/力矩信号和人机形态差异（Embodiment Gap）等挑战，旨在让基础模型的任务学习具备可扩展性。
逐际动力官网新闻精选AI 评分5757 逐际动力联合南方科技大学CLEAR Lab、香港大学论文入选CoRL 2025，提出GVF-TAPE让机器人看视频学会操作
南方科技大学CLEAR Lab联合逐际动力、香港大学的论文《Generative Visual Foresight Meets Task-Agnostic Pose Estimation in Robotic Table-top Manipulation》入选CoRL 2025，提出GVF-TAPE算法，让机器人通过观看操作视频预测任务执行过程并学会自主操作。
推荐理由：论文给出LIBERO基准成功率与实机任务结果，可看出纯RGB视频驱动操作训练相比依赖深度相机和动作标注方法的差距。
Figure AI 新闻精选AI 评分7171 Figure 发布 Project Go-Big：互联网级人形机器人预训练与人类视频到机器人的直接迁移
Figure 宣布 Project Go-Big 与 Helix 的两项进展，包括互联网级人形机器人预训练数据集，以及仅用第一人称人类视频训练后实现零样本人类到机器人的导航迁移。
推荐理由：原文给出用纯第一人称人类视频训练 Helix 实现零样本导航迁移的做法，可作为跨本体数据路线的参考。
Figure AI 新闻精选AI 评分5858 Figure 的 Helix VLA 模型学会装载洗碗机，仅靠新增数据
Figure 的 VLA 模型 Helix 在折叠衣物、分拣包裹之后，又学会了装载洗碗机，全程没有新算法和专门工程，只补充了新数据。Helix 能把堆叠的盘子逐一分离并按顺序放入，用一只手拿起玻璃杯、调整姿态后由另一只手小心放置，还能应对杂乱的初始摆放，并从误抓或碰撞中恢复。Figure 表示这说明同一套通用架构可以覆盖差异很大的日常任务，是向可扩展的通用人形智能再进一步。
推荐理由：同一套 Helix 模型仅靠新增数据就学会装洗碗机，可看出通用架构跨任务复用的落地路径。
逐际动力官网新闻精选AI 评分5757 逐际动力发布具身智能训练新范式 LimX DreamActor
逐际动力发布具身智能训练新范式 LimX DreamActor，将 Real2Sim2Real、模仿学习与真机强化学习结合，用于提升具身模型训练与部署的效率和稳定性。
推荐理由：原文给出了从消费级相机采集、三维重建到仿真预训练与真机强化学习后训练的完整流程，可作为具身智能训练管线的参考。
Figure AI 新闻精选AI 评分6666 Figure 的 Helix VLA 模型学会自主叠毛巾，同一架构仅换数据集即可跨任务迁移
Figure 的 VLA 模型 Helix 展示了人形机器人用多指手端到端自主叠毛巾，官方称这是人形机器人首次以端到端神经网络完成该任务。同一套 Helix 架构此前用于物流包裹翻转任务，此次未修改模型与训练超参数，仅新增数据集即迁移到叠毛巾。
推荐理由：同一套 Helix 架构不改模型与超参数、只换数据集就从物流任务迁移到叠毛巾，展示了跨任务泛化的可迁移做法。
Figure AI 新闻精选AI 评分7171 Figure AI 披露 Helix 在物流分拣上的扩展结果，包裹处理提速至 4.05 秒
Figure AI 公布 Helix 在物流分拣场景的最新进展，包裹处理时间降至约 4.05 秒，条码朝向成功率提升到约 95%，并能处理 poly bag、平信封等可变形包裹。
推荐理由：原文给出 10 到 60 小时演示数据与各模块消融的量化结果，可用来判断数据规模与架构改动各自的收益。
Sanctuary AI 新闻精选AI 评分5757 Sanctuary AI 展示用强化学习控制液压灵巧手的抓握重定向能力
Sanctuary AI 展示了在仿真中训练的 in-hand reorientation 策略在真实液压灵巧手上执行，可在对抗重力并额外加载 500 克重量的情况下完成手内重定向。该公司称其自研强化学习方法在训练中未见过的 500g 负载扰动下仍能完成手内重定向。其液压手具备较多主动自由度，支持手指侧摆与手内操作，采用液压驱动以获得力量、速度和控制性能。
推荐理由：原文给出了仿真训练策略迁移到真实液压手并承受 500g 未见负载的细节，可作为灵巧操作训练迁移的参考案例。
Figure AI 新闻精选AI 评分6666 Figure 用强化学习让 Figure 02 实现自然类人步行，策略零样本迁移到真机
Figure 公布了纯仿真训练的端到端强化学习步行控制器，让 Figure 02 人形机器人以类人步态行走，策略零样本迁移到真机无需微调。训练在 GPU 加速物理仿真中并行运行数千台参数各异的 Figure 02，几小时内积累数年仿真数据，覆盖多种地形、执行器动态变化以及绊倒、打滑和推搡等扰动。
推荐理由：原文给出了用人类步行参考轨迹做奖励先验、再以 kHz 力矩闭环补偿执行器建模误差的做法，可迁移到其他双足训练。
Sanctuary AI 新闻精选AI 评分5757 Sanctuary AI 借助 NVIDIA Isaac Lab 加速灵巧手学习
Sanctuary AI 借助 NVIDIA Isaac Lab 开源机器人学习框架，对其高自由度、高强度、高速液压灵巧手实现业界领先的 sim-to-real 灵巧操作策略迁移。