具身智能日报 · 2026-10-06

具身智能日报 · 2026-10-06（第 30 期）

国庆假期第 6 天，A 股还在休市，港股今天正常交易。产经信息流继续静默，今天的增量在两条线：一是国庆文旅机器人的黄金周大考进入后半场，二是不起眼但密度很高的 arXiv 上周五批次论文（10 月 2 日提交、假期陆续上线）。本期收录 7 条。

今日要点

• 国庆景区机器人「大考」后半场：看机器人上班，成了景区新节目
• MobiAgent：递归策略自改进进了长时程移动操作
• EyeRobot 2.0：砍掉腕部相机，让眼睛主动看
• WAM 三连发：成词之后的下一步，是无标注视频当训练燃料
• Detect and Suppress：给 VLA 装一个对抗补丁探测器，不用重训
• RATE：把「风险」编码进触觉表征
• KungfuAthleteBot：从武术视频学高动态动作

详细内容

1. 国庆文旅大考后半场：机器人上岗从猎奇变成「节目」

• 来源：中国网（9-30）、科技时报（10-02）、中国旅游报（9-29）
• 时间：9 月 29 日至 10 月 2 日陆续报道
• 摘要：多家机器人企业这个假期不约而同把产品铺进文旅场景。北京颐和园、桂林山水等地的人形机器人以咖啡师、冰激凌师、售货员、讲解员身份批量上岗；北京市属公园首批投入 72 台机器人，覆盖清洁清扫、智慧巡检、问询导览、水面救援、绿化养护、生态监测六种业务；横琴长隆此前已有 300 余台智元机器人在场。中国网的措辞值得注意：游客打卡的新节目，正在成为机器人行业的商业化大考。岗位从餐饮零售扩展到导览互动，黄金周客流是行业拿到的第一次全国性真实负载。

2. MobiAgent：递归自改进进了长时程移动操作

• 来源：arXiv 2610.03476
• 链接：https://arxiv.org/abs/2610.03476
• 时间：10 月 2 日提交
• 摘要：长时程移动操作的老问题是误差复利和移动-操作互相干扰，现成的分层 agent 又苦于子任务映射死板、不能持续学习。MobiAgent 用双循环解：内循环管部署，把高层推理和底层控制拆开，底层是可组合的原子技能，高层用视觉语言模型做滚动规划加视觉反思；外循环管改进，在部署中递归地改策略。这是自改进闭环从代码域、路由域之后，落到移动操作域的又一个样本——改进的对象仍是 harness 层的技能组合，不是模型权重。

3. EyeRobot 2.0：不用腕相机，用主动注视做精细操作

• 来源：arXiv 2610.03710
• 链接：https://arxiv.org/abs/2610.03710
• 时间：10 月 2 日提交
• 摘要：精细双臂操作通常依赖腕部相机补视角，这套工作反着来：只用一对立体相机，靠主动眼球运动解决问题。两个眼视点能旋向场景中的三维注视点，把目光锁在目标上；图像按中央凹方式处理，视觉 token 向图像中心倾斜，算力花在任务相关区域。训练分两层：先训低层注视伺服策略，再训一个根据任务进度决定「看哪」的目标选择器，都用真机数据 RL 训练。和昨天日报里的 TacVLA 是一对：一个管触觉什么时候说话，一个管眼睛什么时候看哪里。

4. WAM 三连发：世界动作模型这批出现三条

• 来源：arXiv 2610.03516（XGenAct）、2610.03391（NAVA-WAM）、2610.03607（WING）
• 时间：10 月 2 日提交
• 摘要：本号 9 月 20 日论文周特辑记录过「WAM 成词周」（当周 12 条），这次一批又是三条。更有信息量的是三条共同的方向：都在解决动作标注数据太贵的问题。XGenAct 把 RGB、动作、度量深度、法线、功能分割统一成 RGB 视频表示，一个视频扩散 transformer 一个目标函数全学；NAVA-WAM 直接从纯观测视频预训练动作策略，绕开「先训视觉再适配控制」的两段式；WING 处理第一人称视频的视角噪声和时序差异，提取交互中心的潜在引导。无标注视频正在成为动作模型的训练燃料。

5. Detect and Suppress：给 VLA 装对抗补丁探测器

• 来源：arXiv 2610.03498
• 链接：https://arxiv.org/abs/2610.03498
• 时间：10 月 2 日提交
• 摘要：对抗补丁能靠贴一张图操纵 VLA 的视觉输入，让机器人做出错误动作，但内部失效机制一直没搞清。这篇用稀疏自编码器（SAE）解剖 VLA 表征，找到了一个激活与对抗补丁强相关的特征。防御方式是推理时干预：一个线性探针检测到攻击，才抑制这个特征，不用微调模型。在 LIBERO-10 上验证，间歇攻击下条件性干预能提升成功率。可解释性工具从「理解模型」走到「防守模型」，多了一层用途。

6. RATE：相似的触觉读数，不同的风险含义

• 来源：arXiv 2610.03538
• 链接：https://arxiv.org/abs/2610.03538
• 时间：10 月 2 日提交
• 摘要：触觉表征学习最近的进展不小，但同一个触觉模式可能来自三种完全不同的情况：传感器噪声、任务本来的变化、不该发生的接触。下游策略分不清，就会对良性变化做多余纠正、对真正危险的接触反应慢。RATE 的做法是把任务条件下的交互风险直接编进触觉表征：历史条件预测提供上下文，警报监督教模型识别风险。与 TacVLA 的门控互补：那边解决「什么时候听触觉」，这边解决「听到了之后怎么判断分量」。同批还有一篇等变视觉-触觉扩散策略（2610.03333），触觉这周是热词。

7. KungfuAthleteBot：武术视频学高动态动作

• 来源：arXiv 2610.03388
• 链接：https://arxiv.org/abs/2610.03388
• 时间：10 月 2 日提交
• 摘要：视频是廉价的人类动作数据源，但直接拿来做机器人不行：重建轨迹物理不一致、没有力学信息、也不知道摔了怎么爬起来。KungfuAthleteBot 把这三条逐一处理：用国家级武术运动员视频建数据集，抛物线轨迹修正去掉腾空落地段的高度漂移和抖动；视频没有力信息就引入物理约束学习；再统一训练鲁棒恢复。从视频学极限动作，是采数光谱里「动捕生成扩增」之后的又一档：连动捕都省了。

编辑观察

文旅这条值得展开。黄金周是全国机器人第一次同场大考：负载是真的（客流高峰）、考场是真的（景区不是展厅）、观众也是真的。但「看机器人上班成景区新节目」这个措辞本身就藏着考题——节目是拿来消费的，岗位是拿来核算的，机器人现在卡在两者之间。上岗数、服务人次这些数字假期里不缺，缺的是假期收尾后的复盘账：故障率多少、每小时服务多少人、租金模式下回本周期多长。部署元年的第一次全国压力测试，真正的成绩单要等假期结束才发。明后天两个跟踪点：假期复盘数据是否披露，欢创第四交易日的量价（今天港股盘中，数据明天见）。

论文线的共同母题也值得记一笔。这批论文没有一篇在堆传感器、堆数据量，全在给现有的传感和数据装「节流阀」：眼睛主动看（EyeRobot）、触觉判风险（RATE）、视频免标注（WAM 三连发）、动作视频补物理（Kungfu）。数据和传感器的成本结构，正在从「买更多」转向「用得更省」。这和本号跟踪的接口税谱系是同一件事：信息不是越多越好，是什么时候有信息量、什么信息值得付算力。WAM 从 9 月的成词周走到今天的稳定品类，下一个观察点是它什么时候进工业界的部署清单。