具身智能面临数据瓶颈：现有数据集要么缺少运动真值，要么脱离真实家居环境，且大多只覆盖秒级原子动作。ACE-Data-0通过环境捕捉引擎ACE，在真实公寓中同步采集第一人称视频、全身运动、物体轨迹、音频和触觉信号，构建了包含17M帧、75000个交互片段的长程数据集。论文建立三级分层基准，从触觉推断、人体运动估计到手物交互估计，系统评估了感知-行动循环。基准测试显示，现有模型在真实家居遮挡和长程任务下仍有显著提升空间。注意：数据集目前仅覆盖2个环境和50名参与者，场景多样性有限；触觉手套和动捕服可能对自然行为产生轻微干扰。
现有的具身评测要么抽象掉物理运动，要么将决策与电机控制纠缠在一起，无法单独评估 VLM 的动作推理能力。HumanCLAW 提出了一套解耦框架：VLM 只负责决策，技能条件运动生成器负责执行，半物理仿真器负责反馈。在包含 1218 个长程寻找-导航-交互任务的基准测试中，最强的 VLM 也只能完成 16.8% 的完整交互任务。错误分析表明，失败主要源于 VLM 无法感知自身身体状态——它不知道何时已到达目标、何时被卡住、何时会坐到空气里。这项研究为具身智能的评估提供了新视角，但也受限于仅使用自我中心视觉输入、交互任务单一等局限。 论文介绍、全文中文翻译与相关资料： https://www.pc
具身智能缺乏像多模态大模型那样统一的互联网级数据源。本文提出“具身数据金字塔”分类法，从可扩展性与机器人对齐度两个维度系统梳理了真实机器人、UMI、第一人称、仿真及通用数据五大来源，并分析其在具身基础模型中的应用与挑战。视频通过具体案例和数据对比，揭示了不同数据源的优势与局限，为具身智能体的数据整合提供了系统化指导。
本文提出UniPhysGen，解决3D资产缺乏物理语义的问题。通过感知引导分解、几何感知关节接地和仿真验证，将异构网格转化为仿真就绪资产。在UniPhys-Bench上关节类型准确率达89.96%，优于现有基线。需注意极端旋转下轴推理仍有挑战，且仿真验证目前以定性为主。
本文提出REAL框架，旨在解决现有具身智能依赖特权Oracle感知API、难以处理模糊指令及仿真现实差距的问题。通过移除全局物体列表等特权信息，构建无Oracle感知的闭环视觉环境，并集成LLM驱动的模拟用户进行交互式消歧。采用SFT对齐Qwen3-VL-8B工具接口，随后使用GSPO进行在线强化学习以优化自适应推理。实验显示，该框架在REAL-Bench基准SUL任务成功率达56.9%，超越所有Zero-shot VLM基线；在Ark LIFT2真实机器人部署中端到端成功率达78.3%。需注意SFT阶段存在行为克隆过拟合风险，且底层VLA策略的执行稳定性直接影响整体表现。
本文提出CD-LAM框架，针对潜在动作模型（LAM）中动作无关视觉因素泄露导致的动作跟随性差问题，引入基于因果的去偏目标进行微调。实验显示，该方法在2B和14B模型上显著降低FDCE（前景位移切弗距离误差），并在AgiBot真实机器人数据集上实现12倍以上的适应效率提升。需注意，高PSNR不保证良好的动作跟随性，FDCE是更可靠的评估指标。
本文介绍EmbodiedGen V2，一个面向具身智能的仿真就绪3D世界引擎。针对现有3D生成模型缺乏物理属性和交互语义的问题，该系统通过代理式生成、Affordance自动标注和Vibe Coding编辑，实现从自然语言到可执行物理环境的自动化构建。实验显示，在生成环境中进行在线RL训练，仿真成功率从9.7%提升至79.8%，Sim-to-Real任务成功率从21.7%提升至75.0%。需注意，完全在线生成耗时较长，且部分资产需手动调整。
NoPA用固定大小的3D粒子集替代高斯近似，并通过Hellinger距离、MMD和关系传播构建在线场景图。本期核对3DSSG、ReplicaSSG与消融结果，并讨论2D检测器上限、长尾谓词和粒子数量权衡。