硅基参考论文库整理具身智能论文的作者、机构、会议、方法与代码关联；同一板块也可阅读论文解读跟进文章。
清华联合正行创新、无问芯穹提出 Harness VLA：记忆增强的 Harness 层把冻结 VLA 封装为可重试的接触丰富原语，与解析原语组合执行，零微调在 LIBERO-Pro 拿下 82.4%，低成本路线正面击败重训派。
蚂蚁灵波发布 LingBot-VA 2.0：以 SemVAE 统一视觉与动作分词、因果预训练配稀疏 MoE 骨干、异步推理实现高频闭环控制，真机验证少样本泛化。具身原生路线与暴力 Scaling 路线正面对照。
小米机器人团队发布Xiaomi-Robotics-1，用10万+小时UMI真实操作轨迹预训练VLA模型，RoboCasa365以57.4%刷新SOTA，代码与权重将开源。
pi0.5是Physical Intelligence于2025年提出的视觉-语言-动作流模型，是pi0的后续版本，专注于实现野外环境中的高速机器人控制。该模型采用流匹配（flow matching）架构，在保持长程推理能力的同时大幅降低推理延迟，使机器人能够在动态、非结构化环境中实时响应。pi0.5在家庭和工业场景的多个操作任务上展示了从仿真到真实世界的零样本迁移能力，被视为通用具身智能从实验室走向实际应用的重要进展。适用于家庭服务、工业巡检和移动操作场景。
TinyVLA是2025年提出的轻量级视觉-语言-动作模型，旨在通过参数高效的设计将VLA能力部署到资源受限的机器人平台上。该模型通过知识蒸馏、结构剪枝和动作分块技术，在保持操作性能的同时将模型参数量压缩到极小规模，使得VLA模型可以在单板计算机或边缘设备上实时运行。TinyVLA在多个桌面操作任务上验证了其性能与效率的平衡，为消费级机器人和教育科研平台部署VLA提供了可行路径。适用于教育机器人、低成本操作平台和边缘部署场景。
V-JEPA 2是Meta FAIR于2025年提出的视频-联合嵌入预测架构（V-JEPA）的第二代模型，专为具身机器人控制设计。该模型通过自监督学习从大规模未标注视频中学习物理世界表征，并将学到的表征直接用于机器人规划和控制，无需大规模机器人演示数据。V-JEPA 2在多个机器人操作和导航基准上展现出零样本和少样本迁移能力，验证了自监督视频预测模型作为通用具身智能基座的潜力。适用于机器人运动规划、场景理解和模拟到真实迁移场景。
Cosmos是NVIDIA提出的世界基础模型系列，专为物理AI和具身智能设计，能够根据文本、图像或动作提示生成逼真的物理世界视频，用于机器人训练数据合成和仿真验证。该模型支持多尺度物理推理，涵盖机器人操作、运动导航和交互式环境，是NVIDIA Isaac GR00T人形模型家族的重要组成部分。适用于仿真数据生成、策略训练预训练和数字孪生场景，技术报告发布于2025年。
GR00T N1由NVIDIA与Figure AI等机构于2025年联合提出，是一个面向人形机器人的开放基础模型。模型采用VLA（视觉-语言-动作）架构，将世界模型与动作生成相结合，支持双足人形机器人的全身控制和双手操作。GR00T N1在大规模仿真和真实机器人数据上训练，可直接部署到多种人形机器人硬件平台。该论文详细描述了模型架构、训练数据管道和零样本/少样本迁移能力，是人形机器人基础模型领域的重要工作。
Mind to Hand是2025年12月发表的具身推理与机器人控制研究，提出了一种将高层语义推理与低层运动控制紧密结合的具身智能框架。该研究通过引入目的驱动的推理机制，使机器人能够从抽象的任务目标出发，自主规划并执行复杂的操作序列，而无需逐动作的人工编程或示教。框架在多步操作任务和开放场景中展现出较强的任务理解和执行能力，适用于通用机器人控制、具身大模型应用和自主任务规划等研究方向，为实现从意图到动作的端到端机器人智能提供了新思路。
该研究发表于2025年9月，提出通过共享自主（shared autonomy）方式实现端到端灵巧臂-手VLA策略的数据采集与训练框架。系统结合VR遥操作与自主手部VLA策略进行数据增强，以极低的操作者工作量产生高质量数据。实验表明，由此微调的策略在50多种多样物体（含未见实例）上达到约90%的成功率，通过综合评估和消融研究验证了系统有效性，为灵巧机器人操作的数据高效学习提供了重要方法。
首次构建统一视觉-语言-动作模型，增强空间细节和动态信息理解。
首次将在线强化学习系统化嵌入 VLA 框架。
首次提出可控生成式世界模型，突破单一视角、动作预测不精准、多时一致性差等限制。
我是硅基参考 Agent，熟产品库、数据集、公司档案和近期资讯。你可以直接问，也可以先让我了解你是谁、在看什么——我会把库里的资料和你说的话对上号，像同事聊天那样一点点聊。