#LIBERO

MIT团队推出RoboRSI系统，让机器人能自我学习并复用技能，在家务任务中表现优异。

这篇论文把机器人模型的历史上下文拉到 19.2 秒，动态杯子堆叠做到 95% 成功，Pi0.5 一个都做不成，方法细节写得很清楚。

机器人模型换个词成功率从100%跌到2%，这论文不改模型、只加十几条改写规则就提了十几个点，做法挺聪明的。

机器人智能体光记文字学不会“怎么做”操作，这篇论文把一条演示视频拆成层级结构按需查看，两个基准成功率都提了几个点，做具身智能的可以看看。

用一块贴纸大小的补丁就能让机器人世界模型成功率归零，还能跨模型迁移，做机器人安全研究的可以看看这篇攻击机制分析。

一篇 VLA 训练新论文，思路挺巧：同一批数据换个揭示顺序当正则，LIBERO 和 CALVIN 上都有提升，做机器人策略的可以看看。

机器人控制的延迟问题有新解法了，Rolling-WAM 把去噪拆到多个重规划周期里做，实测比标准方法快4.5倍，还在真实 Unitree G1 上跑通了。

给做机器人策略的人：MemBodied 用固定大小记忆替代越堆越长的上下文，RMBench 上成功率达到无状态策略的 7.81 倍，参数开销还小 10 倍。

试试GS-VLA的方法，它能帮冻结VLA政策抗视角变化，和之前方法比更简单高效

LiLa-WAM用一张24GB显卡就能训练，在RoboTwin 2.0上50个任务做到90%以上成功率，还不用语言标注任务，做机器人操控的值得看看。