搜索
一项机器人拼搭长城的展示火爆全网。从彩排现场的照片来看，围观者已经里三层外三层。原力灵机联合阶跃星辰，用 6 台机器人挑战 15 小时连续作业，搭建完成一座包含超 8 万个零件的长城模型 —— 最小组件不到 1 厘米宽，成品长 3.5 米、宽 1.5 米、高 1.1 米。其中 4 台桌面机器人负责精细零件的拼装，2 台轮式机器人 Apex 负责将拼装完成的组件运输、组装。
机器人，也开始拥有“触觉想象力”了。
音乐和视频之间那道墙，好像被打破了。 上个月，一个做独立音乐的朋友找我吃饭，聊到新歌宣发的事，愁得不行。 歌写好了，录完了，混音也做了，但到了要发的时候才发现，没有视觉内容。 发网易云？光秃秃一个音频
今天原力灵机正式发布的 DM0.5 往前推进了一步。它不只是继续提高某些固定任务上的表现，而是围绕真实世界里的泛化问题做了一次系统突。 如果深入分析，就会发现 DM0.5 这几个核心提升，都是想解决一个问题：如何让具身模型从可控环境里的能力演示，走向开放环境里的稳定执行。
当机器人后空翻刷屏时，代表小脑已经在快速进展。但你是否意识到，让机器人真正干活卡脖子的从来不是小脑，而是大脑？蚂蚁灵波刚刚开源的LingBot-VLA2.0，用同一套模型「驯服」了20种的机器人构型。行业终于有人开始认真算重复适配成本这笔账了。
VLA 大模型看似强大，却被一个致命弱点扼住喉咙——相机稍微挪动几毫米，操作成功率就能暴跌一半。招商局先进技术研究院下属实验室提出新的移动数据范式，首次在真实机器人系统上证明：让相机动起来采集数据，就能以极低成本破解 VLA 的空间泛化瓶颈，且效果普适于多种主流架构。被一个致命弱点扼住喉咙——相机稍微挪动几毫米，操作成功率就能暴跌一半。
最近《在超市后门抽烟的二人》这部剧挺火的，尤其是里面的音乐我很喜欢，所以就想着做一个真人版音乐短片，正好发现美图旗下的 MVLAND 上线了创意画布模式，接入 Seedance2.0、可灵、HappyHorse 等顶尖视频生成模型。
具身智能正在进入数据 scaling 时代。Vision-Language-Action（VLA）模型让机器人可以从大规模示教数据（demonstrations）中学习更通用的操作策略。但对机器人 VLA 训练来说，数据并不总是越多越好：低质量数据可能会拖累模型性能，而每一条 demonstration 都意味着昂贵的人力采集、机器人运行，以及云端存储和训练成本。
人类在日常生活中协调全身来完成移动操作任务：打开垃圾桶时会踩下踏板，从低处拿东西时需要下蹲，推车时需要同步协调手臂抓握和腿部移动。对试图复刻人类能力的人形机器人来说，身体不应只是「手臂 + 移动平台」，而应是一个能协调手、腰、腿、脚共同完成任务的运动整体。
依赖于有限机器人数据和大量人类数据，也能让 VLA 模型更稳健吗？