Skill2Real：基于智能体的零样本仿真到现实机器人操作技能学习
Skill2Real 提出一种基于智能体的策略框架，通过共享 API 学习可执行技能，利用 Proposer-Verifier-Governor 循环在仿真中诊断与验证更新，保持技能与公共观测及 API 语义一致。
推荐理由：该研究提出通过共享 API 实现零样本仿真到现实的机器人操作技能迁移，验证了框架在真实场景中的有效性。
#具身智能
Hugging Face · 每日论文精选AI 评分5858
Hugging Face · 每日论文AI 评分4949 Ego2Act：评估以第一视角生成视频中的目标导向操作
Ego2Act 是一个用于评估目标导向操作能力的基准，包含 110 个日常任务的 2,640 条视频，要求模型根据初始场景图像和高层目标生成第一视角的手部操作视频。Ego2ActJudge 作为无参考评估流程，比相关基线更贴近人类共识，发现模型常跳过或部分执行步骤，导致目标未达成，并在复杂物体操作和持久世界建模中表现不佳。该基准旨在推动视频模型向物理合理、目标导向的模拟方向发展。
Hugging Face · 每日论文AI 评分4343 RLE-Bench：评估编码智能体作为机器人学习工程师的综合性基准
RLE-Bench 发布，用于评估编码智能体在机器人学习工程中的综合能力，涵盖交互控制、策略学习、感知估计和机械设计四类工作流。该基准采用任务特定指标评估智能体生成的策略成功率、构建的工具链和设计的机械结构，整合为 RLE 指数与工作流能力画像。该评测为未来智能体在物理世界中的工程化能力训练提供系统性评估框架。
Microsoft ResearchAI 评分4949 Microsoft Research 研究：为物理 AI 机器人卸载推理可提升性能与续航
Microsoft Research 的研究表明，将物理 AI 机器人的推理任务从机载 GPU 卸载到边缘或云端，能显著提升任务成功率并延长电池续航。在移动操作任务中，卸载推理使障碍物及时检测率提升30%，并将机器人手臂交接物体的成功率提高了50%。该研究还引入了基于 Kubernetes 的工具集，用于在机器人、边缘和云端之间容器化与编排 AI 工作负载。
MIT News · 人工智能AI 评分5252 MIT与Motional提出CW-Net，帮助人类预测自动驾驶汽车的决策失误
MIT与Motional的研究人员开发了Concept-Wrapper Network (CW-Net)，旨在为自动驾驶汽车的机器学习规划器决策提供忠实且可理解的解释。
MIT News · 人工智能AI 评分3939 MIT CSAIL 与清华大学提出 GeoPT：让 AI 模型具备物理感知，模拟更广泛的真实场景
MIT CSAIL 与清华大学的研究人员提出了一种名为 GeoPT 的预训练方法，能让模拟模型更高效地学习物理规律。该方法通过 130 万份合成动力学样本进行训练，使模型在达到峰值性能时速度提升 2 倍，所需标注数据减少高达 60%。GeoPT 在模拟风洞、波浪对船体作用及车辆碰撞变形等工业场景中，其速度和准确性均超越了当前最先进的模型。
MIT News · 人工智能AI 评分2424 MIT CSAIL 主任 Daniela Rus 获巴伐利亚高科技奖
MIT CSAIL 主任 Daniela Rus 因在机器人、人工智能和自主系统领域的贡献，荣获 2026 年巴伐利亚州长高科技奖。评委会特别认可她在自组织机器人集群、软体机器人、自主移动和类脑人工智能四个方向长达 30 年的工作，其研究致力于开发能在非预设真实环境中推理与适应的智能机器。她的团队开发了可摄入的折纸机器人、自组装自主船队以及高效的液态神经网络，并共同创立了 Liquid AI。
Berkeley AI ResearchAI 评分4949 GRASP：面向长时程世界模型的梯度规划方法
伯克利 AI 研究团队提出梯度规划器 GRASP，旨在解决基于学习型世界模型进行长时程规划时面临的优化病态、局部极小值和高维潜在空间失效等难题。该方法通过将轨迹提升至虚拟状态以实现跨时间并行优化，直接向状态迭代添加随机性以增强探索，并重塑梯度以提供清晰的动作信号。GRASP 提升了梯度规划在长时程、高维视觉空间任务中的鲁棒性。