人形机器人做搬箱这类全身操作，通常要采集全身人体动作轨迹或依赖腕部力传感器。FORGE把控制指令分成速度导航、落脚点、腕部位姿和可选力指令四档，训练时不需要全身人体动作参考，部署时只用骨盆坐标系下的双腕位姿和粗指令；它用动量观测器加学习修正，从关节状态和重建的PD力矩估计腕部等效力，无需腕部力/力矩传感器。在四档负载的蹲起搬箱任务上，同一套扩散策略加FORGE在空载和0.5公斤各20次试验中全部成功，1公斤和2公斤各成功18次。
地球系统AI模型逼近公里级分辨率时，网格间距减半会让格点数翻四倍，端到端训练成本随之上升。One2N把分辨率细化拆成逐级增量：每一级冻结上一级完整预报器，只训练一个跨分辨率残差修正模块，父模型的激活与优化器状态都不再保留。以NeuralGCM-0.7°为基线加一级细化得到One2N-0.07°，在单张80GB A800 GPU上训练约四周，对HRES-0.07°分析保持父模型的对流层技巧，同时降低平流层上部误差并刻画更细结构。
预训练生成策略为机器人控制提供了强行为先验，但用在线强化学习高效适配它仍很困难：噪声空间残差方法靠固定的潜在可行域约束适配，可能排除有价值的噪声编辑，动作空间残差方法样本效率更高却仍有提升空间。CNDO去掉预定义潜在可行域，改为学习以状态和噪声为条件的方向，并用由保守价值估计与门控执行组成的软保守约束加以调节；CANDO在此基础上再加一个动作空间残差。实验报告CANDO取得76.1 NAUC和91.4%最终成功率，比最好的单空间结果高6.6 NAUC和4.1个百分点。
灵巧手把人类演示转成可物理执行的轨迹，过去要按物体单独训练或做昂贵的采样优化；把局部接触误差写进观测后，一个残差策略就能零样本抓没见过的物体，计算量降到采样法的六十分之一到三百五十分之一。
GRACE 是一种三维碰撞截面（CCS）预测器，它通过几何残差加合物条件化与早融合来适配预训练的分子几何编码器，在超过 9,000 条实验分子-加合物 CCS 记录上，于随机、骨架和加合物敏感三种划分中取得所评估学习模型里最佳的平均百分比差异（分别为 1.67%、2.11%、2.36%），并在四个独立外部测试集上误差一致更低，在留出集上相较四个已报道的物理工作流也取得最低平均百分比差异。
已读完全部报道