图灵奖得主杨立昆创办的AMI公司发布分层世界模型H-JEPA并全面开源，模型让每一层在自己的潜空间、自己的时间尺度上做预测，规划自上而下逐级展开。在Visual AntMaze迷宫任务中，三层H-JEPA把成功率从单层的18%提升到73.3%，规划算力反而更低；消融实验显示收益来自时间分解与更抽象的目标表征空间两个可分离机制。
选题角度：视频梳理H-JEPA分层架构与Visual AntMaze成功率从18%到73.3%的实验，适合做架构图解加路线之争的解读。
Elorian 发布首个模型 Glimpse，主打 Visual Thinking，可对图片和视频提问并推理所看到的内容。作者关注的是它对视频片段的追问能力，比如画面里发生了什么变化、为什么发生、机器人在每一步做什么。他认为如果这类能力足够可靠，机器人遥操作数据标注会彻底改变，因为大量遥操作视频因逐步手工切分标注太慢太贵而闲置，模型自己看片段写标签就能把这些积压素材变成训练数据。
Google 发布面向机器人任务的 Gemini 4 Argon，用一个模型同时完成机器人控制、虚拟训练世界构建和训练视频评估。
谷歌发布通用物理推理模型 Gemini 4 Argon，官方称其打通机器人技术栈中的物理理解、代码生成与视觉语义推理，在具身推理基准 ERQA 上以纯推理拿下 87%。
选题角度：原文给出大量实测案例和与 Opus 5.5、GPT-6 Astra 的耗时成本对比，适合做上手实测加效果对比。
Google DeepMind 发布 Gemini 4 Argon，该模型仅通过观看视频就学会玩投沙包（cornhole），自行推演物理规律、编写仿真程序，并教会 Apptronik 的 Apollo 人形机器人连续命中 7 次投掷。官方同时放出了演示视频链接。
选题角度：官方演示 Gemini 4 Argon 看视频学会投沙包并教人形机器人连续命中 7 次，适合做效果展示与能力解读。
Google 发布面向机器人的 Gemini 4 Argon，官方称其在测试 3D 物理空间理解的 Embodied Reasoning（ERQA）基准上用纯推理取得 87%，超过其他前沿模型。
选题角度：官方给出 Gemini 4 Argon 在 ERQA 拿 87% 和四类机器人提示词示例，适合挑一个 MuJoCo 场景做上手实测。
Google DeepMind 发布 Gemini 4 Argon，主打物理理解、代码生成与视觉语义推理，在 Embodied Reasoning（ERQA）基准上用纯推理取得 87%，超过其他前沿模型。
选题角度：官方给出 ERQA 87% 成绩和四类机器人提示词示例，适合挑一个 MuJoCo 场景做上手实测或效果对比。
魔法原子 VLM Agent 框架 EchoPolicy-0 在 AI2 发起的 MolmoSpaces Combined 榜单以 75.4% 平均成功率位列全球第一，覆盖全部 4 个 v1 任务。自研具身 Agent 框架 MagicBrain 以 3.4B 参数规模取得 72.4% 平均成功率、全球第四，抓取成功率达 94.4%。
Odyssey 发布生成式世界模型 Odyssey-3，并开放免费在线 demo，由 Odyssey-3 Flash 驱动，可根据文字描述生成可交互环境，支持第一人称和第三人称视角、移动、触发事件并实时响应。
Reka AI 发布全能模型 Rho-1 的研究预览版，这是一个 190 亿参数的单神经网络，可处理并生成文本、图像、视频和机器人控制动作。与多数把任务分派给专用模型的系统不同，Rho-1 把所有模态作为 token 放在同一个共享上下文窗口中运行，不调用工具或外部模型，能实时生成连续视频并即时响应新指令，预测摄像头图像的同一套权重也驱动机器人动作。
美梦空间在第五届全球数字贸易博览会上发布 Physical-WAM 物理-世界动作模型与 RoboTwin-Phys 物理漂移评测基准，前者由 PhysLens、PhysDream、PhysAct 三模块构成，通过物理 Token 表征让机器人感知摩擦、重量、重心等物理属性并预判动作后果。
Black Forest Labs 发布面向机器人的开源模型 FLUX 3 Action，基于多模态 FLUX 3 构建，可接收机器人工作区的多摄像头视频流，预测智能体下一步动作及环境变化。
紫东太初开源通用多模态大模型 ZDTaichu5.0-9B，在九大国际空间理解基准测试中八项第一，10B 档位开闭源模型中空间具身能力断层领先。该模型同时保持通用能力，AI2D 图解理解达 91.48 分，仅次于 Gemini 3 Pro，WeMath 为 75.9 分。团队公开了权重及整套数据生产管线方案，企业可用自有数据和机器人继续训练。
World Labs 发布 Atlas 全能世界模型，可从文本、图像、视频和相机位姿生成、重建并模拟 3D 世界。官方称其支持像素级相机控制、最长 1 分钟 1440p 视频、稀疏视角 3D 重建，并输出点云和 3D Gaussian splats，用于机器人 real-to-sim 流程，架构为共享空间上下文的多模态自回归扩散 Transformer。