然后你把香蕉往右边挪了15厘米。 机械臂愣住了。 它不是「没学好」，而是从来没见过那个位置。 对它来说，桌子右半边就是另一个宇宙。 这不是段子，这是2025年几乎所有VLA模型在真实世界里的真实处境。 【导读】TwinRL用手机扫一遍场景构建数字孪生，让机器人先在数字孪生里大胆探索、精准试错，再回到真机20分钟跑满全桌面100%成功率——比现 有方法快30%，人类干预减少一半以上。 让机器人真正「走出演示数据」的那一刻，发生了什么？ 你花了两周时间，手把手遥操作教一个机械臂抓香蕉放盘子。桌子左半边，它学得像模像样，十拿九稳。 过去两年，Vision-Language-Action（VLA）模型席卷机器人领域。 从「看图+听话+动手」，到多任务、多场景的泛化执行，VLA让机器人第一次看起来像「理解世界」的智能体。 论文里成功率动辄90%以上，演示视频拍得漂亮极了。 但真正做过真机实验的人都知道，这里面藏着一个所有人都心知肚明、却很少有人正面回答的问题： 如果没有人类不断示范，机器人还能不能自己学？ 答案是——几乎不能。 现实的残酷在于： 但这些都还不是最致命的。 最致命的是—— RL的探索空间，被SFT演示数据 ...

语言在描述物理世界时，如同一个信息漏斗。 鸡蛋的粘滑、铲子切入的角度、面包被压下的弹性等等这些精细的、不可言传的物理属性，被强行压缩成贫瘠的文 字，关键信息丢失严重。 这就像让一个只用文字记录菜谱的人去当大厨，永远炒不出那个锅气。 从语言描述到物理模拟 01. 能不能让机器人抛开语言拐杖，像人一样，在一种更接近物理本质的意识流里进行推演？ 近日， 至 简 动 力 、 北 京 大 学 、 香 港 中 文 大 学 、 北 京 人 形 机 器 人 创 新 中 心 在 论 文 《 LaST₀ ： Latent Spatio-Temporal Chain-of-Thought for Robotic Vision- Language-Action Model》中给出了答案。 " 推理速度飙升，性能超越 Pi0.5。 机器人不再需要把每个步骤想清楚再说，而是直接在脑海里运行一个多维度的物理模拟器，一边推演未来，一边流畅执行。 想象一下，你让机器人做个煎蛋三明治：先靠近平底锅，用铲子轻轻铲起鸡蛋，再稳稳放到面包上。传统的机器人搭载视觉-语言-动作（VLA）模型，在执行前， 真的会像默念剧本一样，在心里用语言把这些步骤过一遍 ...

La ST₀ 团队 投稿 量子位 | 公众号 QbitAI 近日， 至简动力、北京大学、香港中文大学、北京人形机器人创新中心 提出了一种名为LaST₀的全新隐空间推理VLA模型，在基于 Transformer混合专家架构的快慢系统中，实现了 隐空间时空思维链 （Latent Spatio-Temporal CoT） 过程，实现了对物理世界的高效 推理，并且保持了高频的动作预测能力。 LaST₀提供了一种在具身大模型中引入高效隐空间推理的全新范式，在双臂、移动操纵、人形灵巧手上均实现SOTA水平，超越Pi0.5。 论文链接： https://arxiv.org/abs/2601.05248 项目主页： https://vla-last0.github.io/ 视觉-语言-动作 （VLA） 模型近期展现出了强大的泛化潜力，部分前沿方法尝试在执行前显式生成语言推理链或预测未来状态。然而，这 种显式推理往往会引入不可忽视的推理延迟，从而限 制了机器人操控所需的控制频率；更重要的是，此类推理受限于语言空间，难以精准 刻画那些"不可言说"的物理属性（物理规律、环境动态、几何关系等），形成了表示瓶颈。 为了解决这些挑战，团 ...