蚂蚁集团具身智能团队 Robbyant 发布 LingBot-World-Infinity（LingBot-World 2.0），一个因果视频生成模型，可作为交互式世界模拟器运行。该模型通过 MoBA 注意力机制和 DMD 自 rollout 训练，解决长程漂移和交互延迟问题。模型采用因果分解架构，每帧仅依赖过去帧和当前动作输入。团队同时发布 14B 参数开源 checkpoint，采用 CC BY-NC-SA 4.0 许可。公开推理脚本在 8 张 GPU 上运行 480×832 分辨率；部署版流式输出可达 60 fps，经 TensorRT 引擎编译。
Rohan Paul@rohanpaul_aiAI 评分5858
Introducing NEO’s 25 Degrees of Freedom, tendon-driven hands — nearing or surpassing human-level dexterity, strength, speed, and reliability. For seventy years, robotics worked around the hand problem. The humanoid bet is the reverse: it lives or dies at the fingertips.
Rohan Paul@rohanpaul_aiAI 评分5858
Introducing NEO’s 25 Degrees of Freedom, tendon-driven hands — nearing or surpassing human-level dexterity, strength, speed, and reliability. For seventy years, robotics worked around the hand problem. The humanoid bet is the reverse: it lives or dies at the fingertips.
一项预临床试验正在测试人形机器人在手术中的可行性。研究人员让外科医生远程操控人形机器人，在活猪身上完成了世界首例手术操作，为未来机器人辅助手术的临床应用提供了初步数据。
Rohan Paul@rohanpaul_aiAI 评分5252
We’re launching the first in a series of Embodied Reasoning offerings: Perceptron Egocentric. It achieves SOTA over the best robotic annotation pipelines built on Gemini 3.5 Flash and Gemini Robotics-ER 1.6. Early access is available to partners.
1X@1x_techAI 评分4545
据晚点LatePost报道，特斯拉Optimus Gen 3经马斯克评审通过，即将量产。供应链要求供应商9月产能达1000台/周，年底升至2000-2500台/周，届时年产能可达10万台。马斯克六月底高管会上要求年底前实现产能目标，否则开除整个Optimus采购团队。弗里蒙特工厂已改造为Optimus生产线，Model S/X于5月停产。马斯克表示初期生产极其缓慢，低产量夏季启动，高产量2027年展开。
推荐理由：Optimus从实验室走进产线，量产启动本身就是具身智能的一个重要信号，马斯克拿采购团队开刀的表态比订单数字更能稳定产业链预期，不过初期产能极慢，别指望今年就能满大街都是机器人。
美国加利福尼亚大学圣迭戈分校团队利用两台宇树 G1 人形机器人，成功实施两例大型非灵长类哺乳动物活体胆囊切除手术，其中一例由单台机器人协助医生，另一例完全由医生远程操控两台机器人完成。成果于7月8日发表在《Nature》。相比传统专用手术系统（重约816.5千克），人形机器人小巧可移动，适用于偏远地区，但需多次校准，操作耗时长，控制延迟有待优化。
上海交通大学、百度智能云、地瓜机器人联合发布 dVLA-RL 强化学习训练框架，首次实现经典 PPO 算法与离散扩散 VLA 的适配，使其能从模仿人类动作走向自主交互迭代优化。实验基于百度百舸 AI 计算平台完成。在 RoboTwin 2.0 基准测试中，模型成功率从 SFT 阶段的 61.4% 提升至 92.0%。论文提出的 Hybrid Denoising Steps 方案根据任务复杂度动态分配去噪步数，将平均推理延迟从 728.92 ms 降至 387.24 ms，训练耗时从 845.95 秒缩短至 607.89 秒，为机器人 Foundation Model 建立完整技术链路奠定基础。
Momenta在香港联合交易所主板挂牌上市，公司成立于2016年，以世界模型为基座，基于“数据飞轮”技术，量产业务与规模化无人业务并行。目前搭载其系统的量产车辆突破100万台，累计交付超100款车型，定点超210款。百度智能云为其提供云基础设施、数据闭环服务及智驾工具链。据IDC报告，2025年自动驾驶研发解决方案市场规模达22.36亿元，同比增长36.8%，百度智能云以7.54亿元份额排名第一，服务覆盖100%主流车企。
日本清水建设计划在2030财年前后将AI驱动的人形机器人引入建筑工地，承担粉刷、抹灰等施工任务。公司已在东京Torch Tower项目测试宇树科技人形机器人，配备摄像头和AI实时图像分析系统，能以约每秒1米速度自主巡检。同时利用美国Trossen Robotics的远程操控机械臂采集熟练工人触觉反馈数据训练AI模型。按规划，2026财年开发上半身AI控制系统，2027至2029财年扩展至全身控制。日本熟练建筑工人数量较20年前减少24%，55岁以上从业人员占比达37%。
蚂蚁灵波开源新一代实时交互世界模型 LingBot-World 2.0（14B 参数），支持施法、攻击、跳跃等丰富角色动作及文本驱动事件（如切换场景、召唤风暴），内置 Pilot Agent 与 Director Agent 实现世界持续演化，并支持多人同时交互。模型采用因果预训练范式和混合双向自回归注意力掩码（MoBA），可稳定输出 720p/60fps 实时画面，长达一小时测试画质不衰减。通过一致性蒸馏与 DMD 降低采样成本，结合注意力 kernel 优化、混合并行推理、动态 KV 缓存调度和异步流媒体传输实现低延迟交互。模型权重及推理代码以非商用协议开源，SGLang 已适配，并提供 Reactor PC 端和灵光 APP 在线体验。
推荐理由：蚂蚁灵波这个开源世界模型把实时世界生成推到了小时级还不崩，720p/60fps实时交互，做开放世界游戏或自动驾驶仿真的团队值得上手测。
蚂蚁灵波科技正式开源LingBot-Video，这是全球首个基于MoE架构、面向具身智能的视频生成基础模型。总参数30B，推理时仅激活约3B，效率较同规模Dense架构提升约3倍。模型引入7万小时VLA、VLN、Ego等机器人数据，并通过多维强化学习奖励系统对齐物理合理性与任务完成度。在RBench上总分0.620，超越Wan2.6等模型；在Physics-IQ Verified评测中排名第一。可用于机器人动作预测、仿真数据生成等方向。
推荐理由：蚂蚁灵波开源了首个面向具身智能的视频基模，用MoE控制推理成本，对机器人仿真和世界模型研究是个真工具，做具身的可以跑起来了。
Mistral 于 7 月 8 日发布首款机器人导航模型 Robostral Navigate，参数量 8B。机器人仅用单个普通 RGB 相机即可在办公室、住宅、商业建筑及户外等环境中自主导航，无需深度传感器或激光雷达。在 R2R-CE 基准测试中，训练集已存在场景成功率为 79.4%，全新场景为 76.6%，比最佳单摄像头方案高 9.7 分，比使用深度传感器或多个摄像头的最佳系统高 4.5 分。模型完全内部自主研发，仅在模拟环境中训练，使用分布在 6000 个虚拟空间中的约 40 万条记录路径，适用于轮式、腿式和飞行机器人。
速腾聚创公告，2026年上半年激光雷达总销量719,200台，同比增170%。ADAS领域436,600台，同比增98%；机器人领域282,600台，同比增510%。第二季度总销量388,900台，机器人领域97,100台（同比增182%）。机器人业务在割草机器人、无人配送、人形机器人、具身智能、商用清洁机器人五大市场领先，E平台全固态数字化激光雷达累计交付突破30万台，已与超3400家机器人公司合作。车载方面，50万元以上高端乘用车前视主激光雷达市场份额61%，获36家车企177款车型定点，在手订单超900万台。4月发布自研“创世”SPAD-SoC芯片架构及“凤凰”“孔雀”旗舰芯片，“凤凰”面向车载高线数，400万像素2160线方案预计年内量产。
Robbyant 推出 LingBot-VLA 2.0，一个 6B 参数的开源视觉-语言-动作（VLA）基础模型。它以 Qwen3-VL-4B-Instruct 为骨干，采用 MoE 动作专家架构，通过 55 维规范向量统一表示不同机器人的状态和动作。训练数据涵盖约 60,000 小时高质量数据（50,000 小时机器人轨迹 + 10,000 小时第一人称人类视频），覆盖 20 种机器人配置。在 GM-100 双机械臂基准测试中，模型在多个平台上超越 π0.5 和之前版本。模型权重、代码和技术报告已以 Apache-2.0 许可开源。
推荐理由：蚂蚁Robbyant放出的开源VLA 2.0把通用机器人策略往前推了一步，60,000小时跨具身数据、统一动作空间和MoE设计对做机器人的团队是实打实的参考，不是又一个lab-only的demo。
Robbyant 发布开源 VLA 模型 LingBot-VLA 2.0（6B 参数，Qwen3-VL-4B-Instruct 骨干，MoE 动作专家）。单次推理在 RTX 4090D 上约 130 ms（10 步去噪）。GM-100 双操作臂基准：AgileX Cobot Magic 平台 progress/success 66.2/34.4，Galaxea R1Pro 34.6/15.6；Astribot S1 冰箱整理任务域内成功率 60%。使用 60,000 小时训练数据（50,000 小时机器人轨迹 + 10,000 小时第一人称人类视频），统一 55 维动作表示，通过双查询蒸馏（LingBot-Depth + DINO-Video）实现预测动力学。Apache-2.0 协议开源。
Rohan Paul@rohanpaul_aiAI 评分6767
🚀 Introducing Lingbot-World-2, our newest real-time world model. Richer interactivity, sharper visuals, and advanced camera controls that make exploring what you create feel truly alive. Available today via API, exclusively on Reactor. Try it now: http://reactor.inc/lingbot-world-2
机器人基础模型初创公司 General Intuition 认为，如同 GPT-3 开启大语言模型时代，机器人领域也将走向通用模型。该公司基于数百万小时游戏数据（含人类控制器操作记录）训练出基础模型，仅用 8 分钟真实机器人数据微调即可让四足机器人仅靠前置摄像头零样本在动态办公室环境中行走。上月该公司完成 3.2 亿美元融资，估值 23 亿美元。其目标是成为物理 AI 的基础模型，供其他机器人公司上层构建。
纽约初创公司 General Intuition 完成 3.2 亿美元融资，估值 23 亿美元，投资方包括 Coatue、Eric Schmidt、MIT 及 Google DeepMind 研究人员。该公司认为 ChatGPT、Claude 等大语言模型缺乏对物体在时空中运动的理解，游戏数据可填补这一空白。公司基于游戏数据训练世界模型，推动物理 AI 发展。CEO Pim de Witte 透露，公司从 Medal TV 拆分，已拒绝 OpenAI 的收购要约以保持独立，并推出 Nerve 平台，连接游戏玩家与数据标注及远程操作工作，应对 AI 对就业的冲击。
General Intuition是一家获Bezos投资的纽约初创公司，估值23亿美元，近期完成3.2亿美元融资，投资方包括Coatue、Eric Schmidt、MIT和Google DeepMind。CEO Pim de Witte指出，ChatGPT和Claude等大语言模型擅长文本，但难以理解事物在空间与时间中的运动，而电子游戏数据能填补这一空白。公司从游戏平台Medal TV分拆，专注打造基于游戏数据的“世界模型”，被视为物理AI的下一个突破口。
Mistral发布首个机器人导航AI模型Robostral Navigate，参数量8B，仅需单个RGB摄像头即可引导机器人在复杂环境中移动。该模型在R2R-CE基准上达到79.4%成功率，超越最佳单摄像头方法及使用深度传感或多摄像头的系统。模型内部开发，仅在模拟环境中训练，使用约40万条记录路径和6千个虚拟空间，适用于轮式、足式、飞行机器人。Mistral尚未公布可用性信息。通过强化学习实验，成功率额外提升3.2个百分点，且未见平台期。
Anthropic 让多个大语言模型控制多种机器人形态，包括经典控制玩具、模拟四足/人形机器人、机械臂及真实 Unitree Go2 四足机器人。模型通过不同抽象层级的接口控制机器人：从直接驱动电机扭矩，到编写控制器代码，再到用强化学习训练控制器，以及向预训练策略提供高层指令。在经典控制、运动与导航、操作三类任务中，模型表现高度依赖控制接口：直接驱动关节时大多失败，但监督预训练策略或使用简单定向工具时能完成真实导航与操作任务。最新模型在调整策略、将图像与感知理解转化为适当动作方面显著更强。
Mistral AI 发布其首个具身导航模型 Robostral Navigate，为 8B 模型，仅用单个 RGB 相机即可根据自然语言指令驱动机器人自主导航，在 R2R-CE validation unseen 上达到 76.6% 成功率，比最佳单相机方法高 9.7 个百分点，比使用深度或多相机的最佳系统高 4.5 个百分点。
推荐理由：官方发布具备完整技术细节，单 RGB 相机在 R2R-CE 上超越多传感器方案，训练方法对机器人导航团队有直接参考价值。
Mistral AI@MistralAIAI 评分4848
随着自动驾驶出租车和送货无人机已在城市运行，通用机器人协助人类完成各种任务的前景不再遥远。波士顿动力软件副总裁Matt Malchano表示，15年前团队的目标仅是让机器人从A点导航到B点，如今自主性已涵盖大量可想象的任务。1979年，实验性自动驾驶车Stanford Cart耗时5小时在布满障碍物的房间内移动20米。研发团队正将AI与机器人结合，推动从工厂到家庭的自主化进程。
当地时间 7 月 3 日，特斯拉在美国全国盲人联合会年度大会上展出 Cybercab 自动驾驶出租车。该车针对视障人士设计：车门开启装置、紧急按钮等实体按键配备盲文标识，车内空间可容纳导盲犬和白手杖，座椅高度适合轮椅使用者。通过 FSD 技术及手机 App 呼叫，用户无需驾驶员即可实现点对点出行。美国约 220 万名视障人士有望借此获得更独立的出行自由。
蚂蚁灵波科技今日全面开源新一代具身基座模型LingBot-VLA 2.0。预训练数据总量达6万小时，覆盖17个机器人品牌20种构型，新增头部、腰部、末端执行器及底盘自由度。在GM-100评测中，模型在AgileX Cobot Magic和Galaxea R1 Pro双臂平台上的平均任务进度分和成功率均领先π0.5与GR00T N1.7；在长程移动操作任务中也优于π0.5。推理耗时在RTX 4090上控制在130毫秒内。模型已在Hugging Face、魔搭社区发布权重，GitHub开放代码，并与乐聚、钛虎等本体厂商及国大药房等客户启动商业落地测试。
Rohan Paul@rohanpaul_aiAI 评分5656中国初创公司 Rochu Robotics 开发了一款人形手，利用液压和24条仿生肌腱模拟真实解剖结构，实现灵活、逼真的运动。 采用一对一骨骼设计，使其动作更像真实的人手。
Rohan Paul@rohanpaul_aiAI 评分4242灵巧机器人手的一个工程挑战是平衡力量和速度。 这里，SharpaWave以超过4次/秒的速度执行快速手部循环。动态触觉阵列使用视觉触觉传感：指尖集成了摄像头和1000多个触觉像素。
本教程利用 NVIDIA cosmos-framework 的 CLI、输入模式和模型结构，在 Google Colab 上构建并训练了一个紧凑的 Omnimodal Mixture-of-Transformers 世界模型。标准 Colab 硬件（T4 GPU，显存不足 80 GiB、硬盘空闲低于 150 GiB）无法运行真实 Cosmos 3 检查点（如 Nano-16B 需单卡 H100 及以上），因此教程转向模拟实现：通过共享跨模态注意力与文本、视觉、动作流的模态特定专家路由，使用合成物理世界数据训练小型模型，并跟踪训练损失与自回归展开，演示模型学习跨模态关系及预测未来潜在状态的过程。
特斯拉已在新奥尔良启动Robotaxi测试，车队为挂得克萨斯州厂商牌照的Model Y，搭载一体式后置摄像头清洗装置和四组独立摄像头清洗喷头。目前该项目已在奥斯汀、旧金山湾区、达拉斯、休斯顿、迈阿密五个城市开展商业化运营，各地模式有别：奥斯汀混合（有无安全员）、旧金山有人值守、达拉斯/休斯顿/迈阿密无安全员。新奥尔良为后续路测城市，大规模铺开需等待FSD V15版本，该版本AI模型参数量提升十倍，预计今年年末或明年年初推出。
蚂蚁集团旗下具身智能公司Robbyant开源LingBot-Vision，一套自监督视觉Transformer家族，专为密集空间感知设计。旗舰ViT-g/16参数约1.1B，采用掩膜边界建模训练，将边界作为原生预训练信号。在密集空间任务中，该1B模型匹配或超越参数规模高达7倍的大模型（如7B DINOv3）。模型以Apache-2.0许可证在Hugging Face开源，提供ViT-g、ViT-L（300M）、ViT-B（86M）、ViT-S四个规模。
推荐理由：在视觉基础模型里把边界当作核心信号，这个思路很反常识，1B模型在深度估计上超过7B的DINOv3，做机器人的可以认真看看。
随着自动驾驶出租车和送货无人机成为现实，通用型机器人协助人类完成任务的愿景不再遥远。波士顿动力软件副总裁Matt Malchano指出，15年前团队仅聚焦让机器人从A点导航到B点，如今自主性的定义已扩展为复杂任务。但挑战依然存在：1979年Stanford Cart实验车穿越障碍房间耗时5小时仅移动20米。如今，由现代AI驱动的自主机器人开发已成为创业热潮，吸引数十亿美元投资。
蚂蚁集团旗下灵波科技7月7日发布空间感知模型LingBot-Depth 2.0，训练数据从300万扩充至1.5亿规模。在深度补全基准16项测评中获12项第一，室内大面积深度缺失场景RMSE从0.132降至0.062，深度误差减半；玻璃、镜面等传统深度相机易失灵场景表现突出。同步推出视觉基座模型LingBot-Vision，预训练语料仅1.6亿张图像，比DINOv3小一个数量级，深度估计精度却优于DINOv3。该模型已通过奥比中光深度视觉实验室认证，基于Gemini 330系列双目3D相机提供芯片级3D原始数据。
据官方测算，2025年我国人工智能核心产业规模已突破1.2万亿元。大模型、智能体、人工智能芯片加速迭代，今年人形机器人全年整机产量有望突破10万台。截至目前，我国已完成近200项人工智能关键标准研制。国内企业大模型下载量位居全球首位，AtomGit开源社区注册用户超1100万。
