机器人操控策略学习长期受限于高保真数据的稀缺性。HiFi-UMI提出一种软硬件协同的高保真数据采集系统，通过头戴式SLAM、微秒级GPIO同步和超广角视觉，解决了传统UMI系统的漂移与同步问题。论文证明，仅使用此类数据进行后训练，即可在真实机器人上实现与遥操作相当的成功率，无需任何真实机器人数据作为锚点。实验涵盖多种VLA和WAM模型，展示了其在接触丰富任务中的有效性。需注意，该结论基于特定硬件配置，且未完全剥离数据量与保真度的影响。
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。
预训练机器人策略常因过度依赖颜色等主导因子而忽略动词或尺寸，导致组合泛化失败。本文提出FDR/FDH指标量化这种“因子偏差”，并据此设计偏差感知数据收集策略。实验表明，该策略在ManiSkill仿真与UR5真机实验中，以半数演示显著提升了成功率。需注意，评估依赖VLM裁判且限于桌面操作场景。
端到端视觉运动策略在分布外（OOD）条件下常因注意力漂移而失败。GuidedAttention提出将视觉注意力显式建模为可校正的关键点，允许人类在初始帧干预，随后由Co-Tracker自动跟踪。该方法在仿真与真实实验中显著提升鲁棒性，但依赖跟踪质量且仅支持初始帧校正。
本文提出FoMoVLA框架，解决现有VLA模型缺乏显式世界动态预测的问题。通过联合优化未来特征前瞻和稀疏2D点追踪，并利用FCCA模块耦合两者，模型在LIBERO基准上达到98.8%平均成功率，在RoboCasa上优于基线9.1%。推理时无额外开销。需注意模型对固定视角训练数据的依赖及FCCA初始化的稳定性。
扩散世界模型因多步去噪导致推理缓慢，限制实时控制。DriftWorld利用漂移生成模型，通过单步前向传播实现30+ FPS视频生成。实验显示其在Push-T、Bridge-V2等基准上视觉质量优异，且通过GPC-RANK显著提升策略性能。注意：训练需较大显存，依赖预训练特征提取器。
本文介绍FlowWAM，一种将光流作为统一动作表示的世界动作模型。通过双流扩散Transformer，模型在策略模式下联合生成RGB与光流，并通过动作专家解码执行；在世界模型模式下，以目标光流为条件生成未来帧。实验显示，FlowWAM在RoboTwin 2.0仿真基准Clean设置下成功率达92.94%，在WorldArena基准上EWMScore达63.71，并在真实Franka与ARX机器人上优于基线。需注意光流提取的计算开销及HSV编码的归一化敏感性。