具身智能研究论文汇总

具身智能是让 AI 拥有「身体」、在物理世界中感知、理解、预测并行动的能力，它把视觉-语言理解、世界模型与机器人控制统一起来。简而言之，它正在为大模型补上从「理解」到「行动」的关键一环，推动人工智能从「会思考的数字大脑」迈向「能动手、能进化、越用越聪明的自主机器人」。本周，HyperAI 为大家精选了 10 篇具身智能与机器人领域的最新研究，研究团队涵盖阿里巴巴达摩院、OpenAI 等机构。相关论文围绕统一具身大脑、跨具身世界模型、灵巧双手操作与机群自我进化等方向展开，为构建更具理解力、行动力与持续进化能力的下一代机器人提供了全新思路。

RynnUnify 论文题目： RynnUnify: Towards Unified Embodied Brain 来自阿里巴巴达摩院（Alibaba DAMO Academy）等机构的研究团队提出 RynnUnify，一个 16B 的统一具身模型，旨在把具身理解与长时程视觉规划统一到同一框架。该模型通过交错的视频-语言推理，将空间推理、物理预测与 grounding 能力连接起来，既理解物理世界，又预判其在连续子任务间的演化。在此基础上，作者进一步开发了基于强化学习的智能体扩展，使其能选择性调用视频预测来推理未观测状态与交互结果，并把理解与预测能力迁移为机器人控制。评估结果显示，RynnUnify 在统一多模态模型中取得最高的具身理解平均分，Rynn-VP 整体得分较 Cosmos 3 Nano 提升 9.75 分，智能体扩展在 Rynn-GEU 上较直接推理提升 6.0 分，世界-动作扩展在 20 个 RoboCasa365 复合任务上达到 51.5% 成功率、三项真实机器人任务平均成功率为 46.7%。

RSI 论文题目： Toward Recursive Self-Improvement in Physical AI 研究团队将递归自我改进（RSI）正式引入机器人学习领域并梳理发展脉络。RSI 描述的是一种不仅改进自身行为、还改进「改进过程本身」的系统；数字智能体已通过重写自身代码并用可执行测试逐版验证来验证这一思想，而物理世界则需借助代价高昂的试错从部分观测中学习，同时考虑不断变化的运行条件与可能不可逆的后果。作者梳理了从「提升机器人能力」到「提升生成能力的过程」的路径，并指出收益只有在反馈补足剩余学习需求、接收方用得上该改变、其价值扛得住任务与硬件变化、且持续练习安全可负担时才会传递下去。现有研究集中于操作任务，能够支持行为改进、后续学习收益与流程改进，但尚无研究能隔离出「递归」本身带来的增益，作者据此给出了评估原则与研究方向。

DONIC 论文题目： DONIC: Generalist Dexterous Bimanual Tracking Control from Human Demonstrations 研究团队提出 DONIC，首个跨操作类别与人体运动来源联合训练的通用双手跟踪器，并配套发布 BiHOI 数据集——1,575 段序列、覆盖 229 个物体、专注持续双手交互，并把重建交互重定向为机器人参考轨迹。针对接触丰富的双手操作数据稀缺、接触协调复杂的问题，DONIC 将近端策略优化与行为克隆结合进一个反馈闭环，把验证成功的执行回炉为训练演示；同时引入以物体为中心、逐手分配的奖励机制，以及去除参考相关优势偏移的 Clip-Centered Advantages。在无微调条件下，单一检查点在训练物体未见轨迹上达到 86.79% 成功率、留出物体上达到 57.32%，分别较 SOTA 基线提升 77.36 和 45.73 个百分点。

Ropedia W0 论文题目： Ropedia W0: Scaling Loco-Manipulation World Models across Embodiments with Human Experience 研究团队提出 Ropedia W0，首个跨人类与多种机器人具身形态的第一人称「运动-操作」世界基础模型。为解决异构动作空间与有限多模态监督带来的挑战，作者构建了 Xp-Data——10k 小时第一人称人类数据 + 3k 小时机器人数据，统一多模态标注与系统质检；并采用统一运动学表示：以相机位姿编码移动、以投影骨架编码操作，机器人骨架结合体型专属正运动学与大量人工关键点标注。此外还发布长程运动-操作基准 Xp-Teleop。评估在 DreamDojo、Ψ₀、ω-HOME、Xp-Teleop、AgiBot 五个跨具身基准上均取得 SOTA，且扩大人类预训练数据能同时提升人类与机器人两侧表现；蒸馏后支持实时、分钟级 rollout，可支撑实时 VR 交互。

HiSTEVE 论文题目： HiSTEVE 1.0: Harnessing Human-Interface VLA Agents for Open-World Games 研究团队提出 HiSTEVE，一个分层 VLA 智能体，用于在 Minecraft 等开放世界游戏中实现长时程自主与原生接口控制。编排层配备结构化记忆与 VLM 规划器，在 VLA 能力范围内选择子任务，并通过策略耦合的任务完成状态检测器判断子任务是否完成；控制层由单一 VLA 以纯视觉感知和原生键鼠动作执行全部子任务。为缓解 GUI 与非 GUI 交互之间的干扰，作者引入 regime 专属的 RMSNorm 分支与分离的鼠标运动 token，并通过世界知识注入、模仿学习与带环境反馈的强化学习进行训练。HiSTEVE 在 MineStudio Bench 上达到 85.0% 的原子任务得分、在 OpenHA 上平均成功率为 37.4%，并能像人类玩家一样从零完成锻造铁镐等长时程任务。

CEL 论文题目： Learning from Fleet Experience: Collective Experience Learning Across 96 Robots 研究团队提出集体经验学习（CEL）范式，让已部署的机器人共享各自执行经验、更新共享策略再回灌整个机群。具体通过失败引导的经验检索微调（FERT）实现：利用失败上下文检索成功轨迹中的相关片段，优先以这些片段的记录动作做监督更新，无需额外收集专家演示或纠正动作，操作员仅需提供二元结果标签与环境重置。配合容错的异步训练系统（FATS），在 5 个真实操作任务上达到 93.3%–99.2% 成功率（每任务 120 次试测、机器人均未参与训练数据采集）。在多阶段手机包装任务上，96 台机器人共同学习将成功率从 79.2% 提升至 98.3%。

HexaShell 论文题目： HexaShell: A Thin Harness for Exploring the Limits of VLM Agents as Robot Coding Agents HexaShell 研究团队提出 HexaShell，一个轻量级框架，用于探究编码智能体控制机器人（而非计算机）的能力边界。框架只提供一条命令行，把智能体的命令转换为机器人运动而不做任何决策；同一模型的两个智能体分工——执行智能体运行每一局，失败后优化智能体读取完整记录（每条命令、图像与消息）定位原因，编写或修复带测试的小工具。学到的东西全部沉淀为代码，无需演示或训练，且工具仅使用 RGB 图像、相机标定与机械臂状态等真机同样可得的输入，可近乎无缝迁移到真实机器人。在 RoboDojo 官方评测（42 个任务、每任务 50 局）中，HexaShell 达到 46.9% 成功率、53.2 进度分，位居官方排行榜 SOTA；其中记忆类任务达 81.0%，而精密接触类任务仅 32.0%，表明瓶颈在于接触而非推理。

GPT-6-Astra 论文题目： Has GPT-6-Astra Achieved Embodied Intelligence? 研究团队系统评估了 GPT-6-Astra 在机器人操作与导航中的具身智能水平。首先在 12 个代表性基准（覆盖桌面操作、人形、移动平台与灵巧手）上、在允许上下文学习（ICL）并大幅增加执行步数的统一协议下，GPT-6-Astra 取得前所未有的成绩；随后研究了具身 harness，发现高层 System 2 推理器与底层 System 1 控制器（如 π0.5）的紧闭环协调「成本高但有效」；在 8 种机器人配置的真实部署实验中则暴露两大差距——ICL 所需演示采集昂贵、且以更长执行时间换取更高成功率在物理约束下不可行。作者还提出下一代具身基