世界动作模型（WAM）把未来画面和动作一起预测，但每一步重规划都生成未来代价高，也未必必要。Bind-WAM把“语言指令中的角色是否稳定落在当前画面的物体上”作为可解释信号：离线流程用完整示范标注参考错配、目标不可见和身份漂移，训练一个约6.65M参数的轻量路由器，在线据此在直接动作预测与联合未来-动作去噪之间切换。在LIBERO上，Bind-WAM平均成功率98.60%，仅在40.58%的重规划状态调用联合路径，平均完成时间从Fast-WAM-Joint的15.73秒降到11.71秒。
上海交通大学等机构构建约4.7万小时多源数据池，把预训练视频模型的语言—视频先验延伸到语言—视频—动作学习，形成世界动作模型SWAM。在RoboTwin 2.0的50个操作任务上，SWAM在随机化Hard设置下成功率为61.56%，比最强基线OpenWAM高12.86个百分点；在干净Easy设置下为88.10%，略低于OpenWAM的89.30%。真实双臂平台上，三个任务平均Hard成功率40.00%，OpenWAM为23.33%。
长动作块机器人策略的在线强化学习适配此前要直接优化高维动作序列，样本开销大，真实机器人上代价高。ExRL把适配对象换成每个预测动作块执行多少步这一标量决策，用离策略强化学习训练一个轻量适配器，基座策略保持冻结。在仿真基准与四项真实操作任务上，它让扩散策略、ACT、多类视觉-语言-动作模型和世界动作模型都能以较少在线交互获得提升，真实叠方块任务约十分钟物理交互后接近全成功。
英伟达与韩国多家产业伙伴推进物理AI落地，覆盖半导体工程、自动驾驶与机器人学习。三星电子在芯片尺度热力与力学分析中，用AI预测等效材料属性、粗网格与GPU加速组合，使一个均质化算例的仿真时间从32核CPU细网格约18小时降到GPU粗网格41秒，约1600倍加速；其sMOL平台的选定量子化学计算端到端最多快5倍。
视觉-语言-动作（VLA）模型给出的最高分动作，未必是物理执行中最可靠的那个。FRS-Grounding在VLA推理之后保留有限候选集，把归一化候选分数与到安全动作集的距离合成模糊动作集，再用位姿差与无碰撞状态构造候选间关系，经模糊粗糙上下近似区分强支持与边界候选。1500次随机仿真中，完整流程成功率86.4%、安全违规率2.1%，点式硬约束基线VLA-HC为74.8%与8.2%；位置噪声σ=10 mm时成功率约78%，VLA-HC约28%。
WorldBridge 把视频预测与动作生成拆成两个专家，用结构化注意力把预测出的未来画面接到动作上，并在 RoboTwin 2.0 上检验视频与动作监督各自的作用。只用分布内视频-动作监督时，分布外任务成功率为 25.07%；加入这些任务的视频但不给动作标签，升到 55.90%；每个任务再加一条带动作标签的示范，升到 70.70%。在完整数据设置下，WorldBridge 在 RoboTwin 2.0 上取得 96.23% 的平均成功率。
灵初智能联合北京航空航天大学、北京大学、香港中文大学提出频率感知流匹配方法FAFM，把机器人动作从固定步数的离散序列改为对应真实物理时间的频域系数，并在流匹配生成动作时显式约束动作的一阶时间导数。这样，5 Hz、10 Hz、20 Hz等不同采集频率的示教可以映射到同一物理时间尺度上联合训练，而不必靠下采样或插值统一频率。在Franka机械臂上，集成到π₀.₅后，抓取放置任务成功率从80%升到95%，多障碍物避障任务从80%升到90%。
冻结的π0.5策略加装一个本地CALL头，只在关键恢复时刻呼叫GPT-6 Astra，在200个LIBERO回合上把成功率从95.5%提到97.5%，同时把Astra的介入限制在少数环境步上。
D3WM把下一帧预测拆成确定部分和不确定部分，用学习到的不确定度图引导扩散模型只生成遮挡和动态纹理区域，在机器人操作与相机运动两类动作上超过对照世界模型。
机器人世界模型HF-WM把人类第一视角操作视频和扰动出的失败动作一起训练，在动作条件视频生成上取得当前最好结果，并让预测成功率与真机部署表现高度一致。