# 机器人控制

视觉-语言-动作策略每步要处理数百个视觉token，推理延迟高。APS-VLA在冻结主干的前提下，用轻量评分器按当前观测、指令和本体感受挑选token，训练时同时要求保留的表示复现策略输出并预测后续视觉变化。在LIBERO上保留128个token时，平均成功率95.75%，比未剪枝的97.00%低1.25个百分点，推理延迟降到68.75毫秒。

视觉-语言-动作策略每步要处理数百个视觉token，推理延迟高。APS-VLA在冻结主干的前提下，用轻量评分器按当前观测、指令和本体感受挑选token，训练时同时要求保留的表示复现策略输出并预测后续视觉变化。在LIBERO上保留128个token时，平均成功率95.75%，比未剪枝的97.00%低1.25个百分点，推理延迟降到68.75毫秒。

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%。

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%。

前沿模型的空间理解能力让编程智能体无需任务示范或再训练，就能端到端零样本控制真实机械臂，风险也随之从数字世界跨到物理世界。ArmedAgent 把这类风险按来源分为良性指令致险、恶意使用和间接提示注入三类，覆盖5个场景36项任务，在仿真中评测并在真实机械臂上验证。在 Codex 框架下测试 GPT-6-Astra、GPT-6-Sol 和 GPT-6.1-Terra，总体攻击成功率为72.22%至94.29%，所有模型在所有类别上的拒绝率均为0%。

前沿模型的空间理解能力让编程智能体无需任务示范或再训练，就能端到端零样本控制真实机械臂，风险也随之从数字世界跨到物理世界。ArmedAgent 把这类风险按来源分为良性指令致险、恶意使用和间接提示注入三类，覆盖5个场景36项任务，在仿真中评测并在真实机械臂上验证。在 Codex 框架下测试 GPT-6-Astra、GPT-6-Sol 和 GPT-6.1-Terra，总体攻击成功率为72.22%至94.29%，所有模型在所有类别上的拒绝率均为0%。

Google DeepMind 的机器人高层推理模型 Gemini Robotics ER 2 进入 Gemini 平台的公开预览，企业可把视觉-语言-动作模型、导航接口等底层控制声明为工具，由模型编排多步任务。该模型在连续视频上判断任务进度并定位关键事件帧，官方给出的关键帧定位准确率为 91.3%，平均绝对帧距 0.96 秒。它面向从固定机械臂到人形机器人的多种形态，并可在 Google Cloud 上完成仿真、评估与部署。

Google DeepMind 的机器人高层推理模型 Gemini Robotics ER 2 进入 Gemini 平台的公开预览，企业可把视觉-语言-动作模型、导航接口等底层控制声明为工具，由模型编排多步任务。该模型在连续视频上判断任务进度并定位关键事件帧，官方给出的关键帧定位准确率为 91.3%，平均绝对帧距 0.96 秒。它面向从固定机械臂到人形机器人的多种形态，并可在 Google Cloud 上完成仿真、评估与部署。

Gemini 4 Argon 把物理理解、代码生成和视觉语义推理放进同一个模型，让机器人任务可以先在仿真里练。在考察三维物理空间问题的 Embodied Reasoning（ERQA）基准上，它用纯推理拿到 87%，高于其他前沿模型。它还能从机器人相机画面、第一视角人类视频或手绘草图重建标定过的仿真孪生场景，并据此生成闭环控制与训练数据。

Gemini 4 Argon 把物理理解、代码生成和视觉语义推理放进同一个模型，让机器人任务可以先在仿真里练。在考察三维物理空间问题的 Embodied Reasoning（ERQA）基准上，它用纯推理拿到 87%，高于其他前沿模型。它还能从机器人相机画面、第一视角人类视频或手绘草图重建标定过的仿真孪生场景，并据此生成闭环控制与训练数据。