Research Weekly · Embodied AI

Sur les neuf articles consacrés aux modèles du monde, cinq occupent trois positions distinctes : vérificateur (VeriVLA classe les blocs d'actions dans l'espace latent, 50,8 % → 65,5 %, pour un coût de 326 ms), correcteur (ForkCast choisit entre Commit, Reobserve et Replan à partir de futurs contrefactuels, 13,3 % → 30,0 % ; Back on Track suit la progression par une valeur de vivacité) et simulateur pour le RL (WoVR+ s'entraîne dans l'imagination, +21,09 % sur le SFT, emballage de téléphones longue durée 30 % → 75 %). Les articles ne se citent pas et emploient des méthodes différentes, mais pointent dans la même direction.

La convergence des rôles n'est pas une convergence d'architecture : les trois rôles correspondent respectivement à un classifieur latent, à un déploiement contrefactuel et à un modèle d'état caché. Aucun article ne défend un modèle du monde unifié.

WorldOracle fixe la même observation initiale et la même séquence d'actions bas niveau, puis compare le déploiement prédit à l'exécution réelle appariée selon quatre axes : justesse de l'état physique, alignement spatial de l'interaction, fidélité des zones de contact clés et cohérence multi-vues. Son jeu d'évaluation inclut les exécutions échouées, car ne noter que les succès masque la capacité à prédire les modes d'échec.

LIBERO-RIG garde les tâches fixes et ne perturbe que le matériel : 11 axes de perturbation × 5 niveaux de gravité = 210 conditions, 9 VLA récents à 500 épisodes chacun. Le succès agrégé chute de 0,932 à 0,767 (gravité moyenne) puis 0,509 (gravité maximale). Deux travaux indépendants convergent : un taux de succès publié sans ses conditions d'évaluation ne permet pas de comparer des méthodes.

Spark-0 utilise des gants tactiles pour produire des cartes de contact dans l'espace image et supervise les tokens visuels avec elles, conjointement à des caractéristiques géométriques 3D gelées servant d'enseignant. Tous ces objectifs sont retirés à l'inférence, et pourtant le succès en vision seule monte de 52,5 % à 71,7 % ; un même point de contrôle sert au déploiement avec ou sans toucher. Ce qui change, c'est la définition de l'utilité des données tactiles : elles n'ont pas besoin d'être présentes au déploiement pour améliorer la performance au déploiement.

Trois voies avancent en parallèle : le reciblage géométrique (alignement par le bout des doigts de GR-Dexter), la sélection par recherche de similarité (SiMDex retient 4,65 % d'un vivier de 32 millions) et la représentation d'actions latentes (EgoJEPA supprime le reciblage ; 74 % hors domaine contre 65 %, temps cumulé inter-embodiments ramené de 743,2 h à 392,7 h, soit −47,2 %). Cette semaine, EgoMatrix (vidéo monoculaire vers trajectoires bimanuelles dextres, 54,84 % contre 14,52 %), KODA (trajectoires canoniques vers vues robot synthétisées, +45,0 et +46,25 points) et λ₀/HumanVerse (500 h de données corps entier, 62,5 % en zéro-shot sur un Unitree G1) poussent le même problème plus loin.

À noter : les trois voies ne sont jamais comparées entre elles. Chacune utilise ses propres tâches et son propre embodiment, si bien qu'on ne peut pas décider aujourd'hui laquelle est meilleure. C'est une lacune méthodologique que cette semaine expose (voir section 6).

Comme vérificateur : VeriVLA classe les blocs d'actions dans l'espace latent, faisant passer l'achèvement de tâches réelles de 50,8 % à 65,5 % pour un coût de 326 ms par déclenchement. Comme correcteur : Back on Track suit la progression par une valeur de vivacité, tandis que ForkCast choisit entre Commit, Reobserve et Replan à partir de futurs contrefactuels, 13,3 % → 30,0 % sur RoboTwin. Comme simulateur pour le RL : WoVR+ associe un modèle du monde aligné sur l'interface du VLA à un entraînement par imagination par étapes, ajoutant 21,09 % au SFT et portant l'emballage de téléphones longue durée de 30 % à 75 %. Par ailleurs, T²-z optimise au test les variables latentes d'environnement et fait passer le succès de 33,73 % à 72,96 %, montrant que des paramètres d'environnement inconnus peuvent être inférés en ligne.

Côté échelle : TacClaw-Infinity utilise un dispositif portatif de type UMI équipé de capteurs tactiles pour une collecte distribuée, atteignant 10 000 heures, 1 million d'épisodes, 1 milliard d'images et plus de 1 000 tâches sans le robot cible. λ₀/HumanVerse fournit 500 heures de données corps entier en monde ouvert, avec 62,5 % en zéro-shot sur des tâches réelles avec un Unitree G1 et 90,0 % sur SIMPLE. Côté conversion : EgoMatrix transforme une vidéo égocentrique monoculaire en trajectoires bimanuelles dextres appariées à des observations robot, atteignant 54,84 % contre 14,52 % pour la meilleure référence en simulation ; KODA génère une supervision en vue robot à partir de trajectoires canoniques et augmente le succès de 45,0 et 46,25 points sur deux contrôleurs corps entier, dans des conditions où des démonstrations humaines existent mais où les données robot manquent.

La supervision par cartes de contact de Spark-0 est le point à retenir (voir article 4). TacClaw-Infinity enregistre les signaux tactiles en synchronie avec la vision et les trajectoires du préhenseur, formant une structure VTLA. DexNinja combine real2sim2real et simulateur différentiable pour la découpe alimentaire, dépassant 60 % de succès à partir de quelques dizaines de démonstrations réelles et de plusieurs centaines augmentées, soit plus de 20 points au-dessus des données réelles seules. Tendance commune : le goulot d'étranglement des données tactiles se déplace de la collecte vers l'annotation et l'organisation.

Outre LIBERO-RIG et WorldOracle, IMEP utilise des expériences d'intervention pour tester si la mémoire est réellement utilisée : dans une mémoire inter-épisodes, perturber une seule unité du dernier chiffre modifie 11,9 % des résultats appariés, alors que modifier un fait clé n'a pas d'effet supplémentaire par rapport à une substitution conservant le fait — ce qui suggère que nombre de gains attribués à la mémoire sont peut-être spurieux. Côté instructions, SIMPLER-IN montre que les consignes de niveau « comment » réduisent le succès : les VLA actuels répondent au « quoi », pas au « comment ».

TacitVLA permet à l'expert d'action d'avancer sans attendre le texte décodé, réduisant la latence jusqu'à un facteur 3,4 sans perte et signant les meilleurs résultats sur RoboMME Counting (82,7 % contre 66,8 %) et RMBench (77,5 % contre 56,5 %). FastVLA compresse les tokens visuels sans entraînement, réduisant les FLOPs du backbone LLM de 35 à 59 % et la latence bout-en-bout sur robot réel de 20 %. Embodiment-Classifier Guidance ne met à jour aucun paramètre et n'ajoute aucune démonstration, faisant passer un π₀ gelé de 72 % à 80 % de succès moyen sur de nouveaux embodiments (11 paires sur 12 améliorées, 31 % d'échecs en moins en relatif). ACCRUE applique un RL hors politique continu, réduisant le temps d'entraînement sur robot réel de 31,0 à 68,5 % avec presque aucun oubli.

BeJEPA apprend un modèle du monde comportemental conditionné par objectif, avec JEPA et RL non supervisé, réduisant l'erreur de position globale de 61,7 % par rapport à BFM-Zero et de 58,7 % par rapport à SONIC sur un suivi de mouvement de 20 secondes, et permettant à un G1 de se relever après une chute et de retrouver sa position après perturbation. PingpongDuo joue au tennis de table en double avec deux humanoïdes : +13,2 % de retours réussis en simulation, replacement de 2,4 s sur 2,15 m sur matériel réel, vitesse de pointe de 2,23 m/s et échanges de plus de 10 frappes. Le progrès humanoïde glisse du mouvement d'un seul robot vers la coordination multi-robots et la récupération après échec.

Problème : les modèles du monde conditionnés par l'action se multiplient, mais personne n'a demandé systématiquement si les déploiements prédits correspondent à la réalité. Les évaluations existantes regardent soit la qualité vidéo, soit une auto-notation dans un simulateur.

Méthode : à observation initiale et séquence d'actions bas niveau identiques, le banc d'essai compare le déploiement prédit à l'exécution réelle appariée selon quatre dimensions — justesse de l'état physique, alignement spatial de l'interaction, fidélité des zones de contact clés, cohérence multi-vues des actions. Le jeu d'évaluation contient des épisodes longs à plusieurs étapes et des exécutions réussies comme échouées, ce qui compte car ne noter que les succès masque la capacité à prédire les modes d'échec.

Résultats : sur sept modèles représentatifs, forces et modes d'échec diffèrent nettement (le résumé ne donne ni classement ni score). Données, code d'évaluation et classement sont publiés.

Limites : aucun écart quantitatif entre modèles n'est divulgué au niveau du résumé ; la couverture et la distribution de difficulté restent à éprouver par la communauté.

Pourquoi le lire : il fait passer l'évaluation des modèles du monde de « cela paraît plausible » à « la conséquence de l'action est-elle juste », en complément de l'écart média-simulation de ReVidgen : l'un teste la plausibilité physique au niveau du pixel, l'autre la justesse de la transition d'état au niveau de l'action. Si le classement est adopté, il devient le premier critère dur de la voie des modèles du monde.

Problème : les modèles du monde sont branchés aux VLA de multiples façons — représentations, interfaces et backbones différents — si bien qu'on ne sait pas ce qui produit réellement l'effet.

Méthode : les travaux existants sont regroupés en quatre paradigmes : alignement futur implicite, requête future explicite, expert futur MoT et prédicteur du monde externe. Chacun est instancié dans un cadre unique, puis croisé avec différentes représentations du monde et différents backbones de politique, et évalué en distribution, hors distribution, sur tâches longues, sur tâches dynamiques, en régime few-shot et sur robot réel.

Résultats (quatre constats) : ① l'utilité d'une représentation dépend du paradigme, mais les représentations sémantiques 2D sont robustes ; ② aucun paradigme n'est universellement meilleur, et un expert futur MoT découplé est le meilleur compromis, surtout hors distribution ; ③ le modelage du monde aide de façon fiable les backbones VLM standards, tandis que les conceptions découplées sont plus compatibles avec les VLA pré-entraînés ; ④ les gains par rapport à une base purement action sont les plus nets sur les tâches longues et dynamiques.

Limites : une instanciation dans un cadre unifié n'équivaut pas au meilleur réglage de chaque article d'origine ; le constat sur les représentations 2D demande validation sur davantage de backbones.

Pourquoi le lire : c'est la réponse empirique la plus systématique à la question du branchement des modèles du monde, et elle explique pourquoi l'industrie choisit constamment des conceptions légères ou découplées (le modèle du monde de WAVE-0 fait 257 M de paramètres) — non par manque d'ambition, mais parce que le découplage paie.

Problème : convertir la vidéo humaine en contrôle robot repose sur un reciblage géométrique, de la pose de la main vers les consignes articulaires. Cela impose un recalibrage manuel par embodiment et injecte l'erreur de suivi de main directement dans la boucle de contrôle.

Méthode : trois étapes — ① pré-entraînement d'actions humaines : prédiction visuelle de type JEPA conditionnée sur les deltas de mouvement de la main, apprenant des actions latentes « sensibles à l'effet » ; ② modelage du monde en actions latentes : prédiction conjointe de la dynamique visuelle future et des actions latentes, découplant le prior humain de la paramétrisation du contrôle robot ; ③ ajustement par embodiment avec un simple adaptateur d'action léger.

Résultats : cinq tâches réelles sur trois embodiments ; succès moyen hors distribution 74 % contre 65 % pour la référence par reciblage ; temps réel cumulé inter-embodiments ramené de 743,2 h à 392,7 h (−47,2 %).

Limites : jeu de tâches restreint (cinq) ; l'adaptateur reste réglé par embodiment ; aucun résultat sur tâches longues.

Pourquoi le lire : il pousse la voie des données humaines du transfert géométrique vers l'apprentissage de représentation. Mis côte à côte avec la collecte VR de GR-3, la sélection par recherche de SiMDex et les actions latentes d'EgoJEPA, un même problème — que faire des données humaines — compte désormais trois voies techniques, chacune adossée à des chiffres.

Problème : les politiques généralistes reposent sur un pré-entraînement visuel à grande échelle, mais dans les tâches à fort contact la force, la compliance et le glissement naissant sont invisibles dans l'image.

Méthode : le toucher est utilisé de deux manières. ① Pendant le pré-entraînement, des gants tactiles génèrent des cartes de contact dans l'espace image qui supervisent les tokens visuels, aux côtés de caractéristiques géométriques 3D gelées servant d'enseignant ; ces objectifs sont entièrement retirés à l'inférence. ② À l'inférence, une voie tactile distincte encode l'historique des forces par région et l'état des taxels 3D et conditionne l'expert d'action. Un même point de contrôle sert au déploiement avec ou sans toucher. Le travail publie le jeu de données HumanTouch (1 000 heures de manipulation humaine avec toucher pleine main) et le banc d'essai SparkArena.

Résultats : succès en vision seule sur Ego Humanoid de 52,5 % à 71,7 % ; sur SparkArena-Real (toucher aussi utilisé au déploiement) de 44,0 % à 52,0 % ; meilleur succès moyen sur les deux pistes et premier sur les huit métriques agrégées d'Ego Humanoid.

Limites : dépend de la collecte par gants, donc la montée en échelle est contrainte par le matériel ; le transfert inter-embodiments n'est pas traité à fond.

Pourquoi le lire : il apporte une réponse neuve à l'utilité des données tactiles — non seulement une entrée de déploiement, mais un moyen d'apprendre aux représentations visuelles ce qu'est le contact. Cela concerne directement la chaîne d'approvisionnement des données : un dispositif tactile ne vaut plus par le signal qu'il ajoute, mais parce qu'il peut générer une supervision de pré-entraînement.

Problème : les bancs d'essai existants varient la tâche mais pas le robot. Or, en déploiement, les caméras se dérèglent, la calibration dérive, la fréquence de contrôle change et les patins de pince s'usent.

Méthode : toutes les tâches LIBERO sont maintenues fixes tandis que le matériel et l'installation sont perturbés selon 11 axes (fixation et optique caméra, calibration caméra-bras, gain d'actionnement, fréquence de contrôle, bruit proprioceptif, pose de base, hauteur de table, patins de pince, etc.) à 5 niveaux de gravité, soit 210 conditions, avec 9 VLA récents évalués à 500 épisodes par condition et des tests statistiques.

Résultats : le succès agrégé passe de 0,932 à 0,767 en perturbation moyenne et 0,509 à la gravité maximale ; la dégradation varie fortement selon l'axe et l'interface d'action ; et un entraînement sur perturbations visuelles n'atténue pas les pannes matérielles qui laissent l'image inchangée.

Limites : le banc d'essai reste simulé ; la dégradation matérielle réelle (usure, dérive thermique) n'est pas validée.

Pourquoi le lire : il montre que la métrique de succès elle-même n'est pas fiable — un même modèle peut perdre 40 points en changeant de configuration matérielle. L'implication pour le jugement de voie : comparer deux méthodes sans contrôler les conditions matérielles peut ne mesurer que du bruit.

Thème	Article	Conclusion en une ligne
Modèle du monde	WAVE-0	Un modèle du monde latent de 257 M greffé sur un VLA pré-entraîné porte π₀.₅ de 38,3 % à 73,3 % sur robot réel, sans reconstruction pixel ni pré-entraînement vidéo massif.
Modèle du monde	WoVR+	WM-RL sensible aux hallucinations : l'entraînement par imagination par étapes traite l'erreur composée longue durée, de 30 % à 75 % sur tâches longues.
Modèle du monde	VeriVLA	Déclenchement à deux axes et vérificateur latent : 326 ms dépensés seulement aux états critiques, +14,7 points d'achèvement réel.
Modèle du monde	T²-z	Optimise au test les variables latentes d'environnement (frottement, masse, facteurs non observables) à partir d'une seule trajectoire d'interaction ; succès 33,73 % → 72,96 %.
Modèle du monde	P³-WAM	Un modèle du monde d'action unifiant perception, prédiction et planification dans un MoT à poids partagés pour la reconstruction de main, la prédiction conditionnée et la planification.
Données humaines	TacClaw-Infinity	Jeu de données visuo-tactile-langage-action de 10 000 h et 1 M d'épisodes, collecté avec un dispositif portatif ; transfert vers trois robots hétérogènes sans démonstration propre à l'embodiment.
Données humaines	λ₀ / HumanVerse	500 h de données corps entier en monde ouvert pour un modèle de fondation humanoïde ; 62,5 % en zéro-shot sur un G1.
Données humaines	EgoMatrix	Vidéo égocentrique monoculaire vers trajectoires bimanuelles dextres rejouables et observations robot appariées ; 54,84 % contre 14,52 % de bout en bout en simulation.
Données humaines	KODA	Des trajectoires canoniques pilotent la synthèse de vues robot, si bien qu'un changement de contrôleur ne demande que de régénérer la supervision ; +45 points là où les démonstrations humaines existent.
Humanoïde	BeJEPA	Modèle du monde comportemental conditionné par objectif avec RL non supervisé ; erreur de position globale en baisse d'environ 60 %, avec relevé et replacement sur un G1.
Humanoïde	PingpongDuo	Deux humanoïdes en double au tennis de table : planification d'équipe et filtrage du risque, échanges de plus de 10 frappes sur matériel réel.
Dextérité	DexNinja	real2sim2real avec simulation différentiable pour la découpe alimentaire ; plus de 60 % de succès à partir de quelques dizaines de démonstrations réelles.
Évaluation	IMEP	Évaluation de la mémoire par intervention : une perturbation du dernier chiffre modifie 11,9 % des résultats, donc l'affirmation « la mémoire aide » exige des preuves au niveau des faits.
Évaluation	SIMPLER-IN	Les consignes de niveau « comment » réduisent le succès ; des instructions riches segmentées améliorent la réactivité mais pas le succès.
Évaluation	Human–VLA Gap	Plus l'humain est expert, plus il compresse ses consignes ; les politiques sont surtout fragiles sur la reconstruction sémantique et la structure événementielle, non sur l'ancrage référentiel.
Efficacité	TacitVLA	L'inférence n'attend pas le texte : latence divisée par 3,4, RoboMME Counting 82,7 % contre 66,8 %.
Efficacité	FastVLA	Compression des tokens visuels sans entraînement ; FLOPs −35 à −59 %, latence sur robot réel −20 %.
Efficacité	ACCRUE	RL hors politique continu reportant acteur et critique entre tâches ; temps d'entraînement réel −31,0 à −68,5 % avec presque aucun oubli.

Le blog de recherche de l'entreprise montre ses derniers modèles robotiques rendus accessibles via une bêta de Pi API : l'utilisateur peut téléverser des données, affiner des modèles et exécuter une inférence cloud sur ses propres robots. Après π0.7 (avril, modèle pilotable avec généralisation compositionnelle), c'est le passage de la capacité du modèle à un service appelable. Pour la veille, cela compte parce que les deux vocabulaires d'évaluation divergent davantage : les chiffres industriels proviennent de tâches clients, non de bancs d'essai publics.

Cette section ne recueille que les questions que les articles lus cette semaine exposent sans pouvoir y répondre dans leur propre périmètre. Aucun suivi inter-hebdomadaire, aucune promesse de réponse ultérieure ; si un article ultérieur répond à l'une d'elles, il apparaîtra simplement comme nouvelle preuve dans le numéro de cette semaine-là.

Les trois travaux démontrent des gains d'une prédiction latente légère avec vérification sur horizon court ou sur un petit nombre de tâches (+14,7 points, 38,3 % → 73,3 %, un coût de 326 ms). Mais la prédiction latente n'impose aucune contrainte physique au niveau du pixel, et aucun des trois ne rapporte comment l'erreur s'accumule sur des déploiements multi-étapes ni à partir de quel horizon elle se dégrade. C'est l'inconnue décisive pour savoir si la voie légère peut remplacer la voie de génération vidéo.

Les cartes de contact de Spark-0 sont produites par ses propres gants tactiles : la cible de supervision est donc liée à la disposition des taxels et à la calibration de ce gant. On ne sait pas si la même supervision fonctionne avec un matériel tactile différent, à densité et agencement autres ; aucune ablation ne le teste. Cela décide si la méthode est une astuce d'entraînement générale ou un procédé lié au matériel.

Les trois voies rapportent respectivement 74 % contre 65 % (5 tâches, 3 embodiments), 54,84 % contre 14,52 % (bout-en-bout simulé) et +45,0/+46,25 points (deux contrôleurs corps entier) — avec des jeux de tâches, des embodiments et des protocoles entièrement différents. Savoir si le reciblage, la sélection par similarité ou les actions latentes est supérieur ne peut donc pas être tranché avec les preuves disponibles. Ce qui manque n'est pas une méthode, mais un banc d'essai partagé de la qualité de conversion.

CoRL 2026 (9-12 novembre, Austin) : les listes d'articles acceptés et les programmes d'ateliers sont attendus dans deux à trois semaines, ce qui en fait la diffusion de résultats la plus concentrée du trimestre en IA incarnée.

Of the nine world-model papers this week, five occupy three distinct positions: verifier (VeriVLA ranks action chunks in latent space, 50.8%→65.5%, at a cost of +326 ms), corrector (ForkCast chooses among Commit/Reobserve/Replan using counterfactual futures, 13.3%→30.0%; Back on Track monitors progress with a liveness value), and RL simulator (WoVR+ trains in imagination, +21.09% over SFT, long-horizon phone packing 30%→75%). The papers do not cite one another and use different methods, yet point the same way.

Role convergence is not architecture convergence: the three roles correspond to a latent-space classifier, a counterfactual rollout and a hidden-state model respectively. None of the papers argues for a single unified world model.

WorldOracle fixes the same initial observation and the same low-level action sequence, then compares the predicted rollout against the paired real execution along four axes: physical state correctness, interaction-space alignment, fidelity of key contact regions, and multi-view action consistency. Its evaluation set includes failed executions, since scoring only successes hides whether a model can predict failure modes.

LIBERO-RIG keeps the tasks fixed and perturbs only the hardware: 11 perturbation axes × 5 severity levels = 210 conditions, 9 recent VLAs at 500 episodes each. Pooled success falls from 0.932 to 0.767 (moderate) and 0.509 (strongest). Two independent works converge on one statement: a success rate reported without its evaluation conditions cannot be used to compare methods.

Spark-0 uses tactile gloves to generate image-space contact maps and supervises visual tokens with them, together with frozen 3D geometric teacher features. All of these objectives are removed at inference, yet purely visual success still rises from 52.5% to 71.7%, and a single checkpoint serves both visual-only and touch-enabled deployment. What changes is the definition of what tactile data is for: it need not be present at deployment in order to improve deployment performance.

Three routes run in parallel: geometric retargeting (GR-Dexter's fingertip alignment), retrieval-based curation (SiMDex selects 4.65% of a 32M pool), and latent action representation (EgoJEPA drops retargeting entirely; 74% out-of-distribution versus 65%, with cumulative cross-embodiment time falling from 743.2 h to 392.7 h, −47.2%). This week EgoMatrix (monocular video to bimanual dexterous trajectories, 54.84% versus 14.52%), KODA (canonical trajectories to synthesised robot views, +45.0 and +46.25 pp) and λ₀/HumanVerse (500 h of whole-body data, 62.5% zero-shot on a Unitree G1) push the same problem further.

Worth noting: the three routes are never compared against each other. Each uses its own task set and embodiment, so which route is better cannot currently be decided. That is a methodological gap this week exposes (see section 6).

As a verifier: VeriVLA ranks action chunks in latent space, lifting real-task completion from 50.8% to 65.5% at a cost of 326 ms per trigger. As a corrector: Back on Track monitors progress with a liveness value, while ForkCast selects among Commit/Reobserve/Replan using counterfactual futures, 13.3%→30.0% on RoboTwin. As an RL simulator: WoVR+ pairs a world model aligned to the VLA interface with staged imagination training, adding 21.09% over SFT and taking long-horizon phone packing from 30% to 75%. Separately, T²-z optimises environment latent variables at test time and lifts action success from 33.73% to 72.96%, showing that unknown environment parameters can be inferred online.

On scale: TacClaw-Infinity uses a UMI-style handheld device with tactile sensing for distributed collection, reaching 10,000 hours, 1M episodes, 1B frames and 1,000+ tasks without the target robot. λ₀/HumanVerse offers 500 hours of open-world whole-body data, reaching 62.5% zero-shot on real tasks with a Unitree G1 and 90.0% on SIMPLE. On conversion: EgoMatrix turns monocular egocentric video into bimanual dexterous trajectories paired with robot observations, reaching 54.84% versus 14.52% for the strongest baseline in simulation; KODA generates robot-view supervision from canonical trajectories and raises success by 45.0 and 46.25 percentage points on two whole-body controllers in conditions where human demonstrations exist but robot data does not.

Spark-0's contact-map supervision is the point worth recording (see paper 4). TacClaw-Infinity records tactile signals in sync with vision and end-effector trajectories, forming a VTLA structure. DexNinja combines real2sim2real with a differentiable simulator for food cutting, exceeding 60% success from a few dozen real demonstrations plus several hundred augmented ones, more than 20 points above real data alone. The shared trend: the bottleneck in tactile data is moving from collection to annotation and organisation.

Beyond LIBERO-RIG and WorldOracle, IMEP uses intervention experiments to test whether memory is actually used: in a cross-episode memory store, perturbing a single unit in the last digit changes 11.9% of paired outcomes, while altering a key fact has no extra effect relative to a fact-preserving substitution — suggesting many reported memory gains may be spurious. On the instruction side, SIMPLER-IN finds that How-level instructions reduce success: current VLAs respond to what to do, not how to do it.

TacitVLA lets the action expert proceed without waiting for decoded text, cutting latency by up to 3.4× without loss and setting best results on RoboMME Counting (82.7% versus 66.8%) and RMBench (77.5% versus 56.5%). FastVLA compresses visual tokens at no training cost, cutting LLM backbone FLOPs by 35–59% and real-robot end-to-end latency by 20%. Embodiment-Classifier Guidance updates no parameters and adds no demonstrations, lifting a frozen π₀ from 72% to 80% average success on new embodiments (11 of 12 pairs improved, 31% relative reduction in failures). ACCRUE applies continual off-policy RL, cutting real-robot training time by 31.0–68.5% with almost no forgetting.

BeJEPA learns a goal-conditioned behavioural world model with JEPA plus unsupervised RL, cutting global body position error by 61.7% relative to BFM-Zero and 58.7% relative to SONIC over 20-second motion tracking, and enabling a G1 to stand up after falling and to recover position after perturbation. PingpongDuo plays two-versus-two humanoid table tennis, with simulation return success +13.2%, a 2.4 s repositioning over 2.15 m on hardware, a peak speed of 2.23 m/s and rallies of more than 10 shots. Humanoid progress is shifting from single-robot motion to multi-robot coordination and failure recovery.

Problem: Action-conditioned world models (ACWMs) are proliferating, but nobody has systematically asked whether the rollouts they predict correspond to reality. Existing evaluations either look at video quality or grade models inside a simulator.

Method: Given the same initial observation and the same low-level action sequence, the benchmark compares the predicted rollout with the paired real execution along four dimensions — physical state correctness, interaction-space alignment, fidelity of key contact regions, and multi-view action consistency. The evaluation set contains long-horizon multi-stage episodes and both successful and failed executions, which matters because scoring successes alone hides whether failure modes are predicted at all.

Results: Across seven representative ACWMs, strengths and failure modes differ markedly (the abstract gives no rankings or scores). Dataset, evaluation code and leaderboard are released.

Limitations: No quantitative gaps between models are disclosed at abstract level; coverage and difficulty distribution remain to be tested by the community.

Why read it: It moves world-model evaluation from looking plausible to getting the action consequence right, complementing ReVidgen's media–simulation gap: the one tests pixel-level physical plausibility, the other tests action-level state-transition correctness. If the leaderboard is adopted, it becomes the first hard criterion for the world-model route.

Problem: World models are wired into VLAs in many different ways — different representations, different interfaces, different backbones — so it is unclear what is actually doing the work.

Method: Existing work is grouped into four paradigms: implicit future alignment, explicit future query, MoT future expert, and external world predictor. Each is instantiated inside a single framework, then crossed with different world representations and policy backbones and evaluated in-distribution, out-of-distribution, on long-horizon tasks, on dynamic tasks, in few-shot settings and on real robots.

Results (four findings): ① whether a representation helps depends on the paradigm, but 2D semantic representations are robust across paradigms; ② no paradigm is universally best, and a decoupled MoT future expert is the best overall, especially out of distribution; ③ world modelling reliably helps standard VLM backbones, while decoupled designs are more compatible with pre-trained VLAs; ④ gains over a pure-action baseline are largest on long-horizon and dynamic tasks.

Limitations: Instantiations inside a unified framework need not match each original paper's best tuning, and the 2D-representation finding needs validation on more backbones.

Why read it: It is the most systematic empirical answer so far to how world models should be attached, and it explains why industry consistently chooses lightweight or decoupled designs (WAVE-0's world model is 257M) — not for lack of ambition, but because decoupling pays.

Problem: Converting human video into robot control relies on geometric retargeting from hand pose to joint commands. That requires manual recalibration per embodiment and injects hand-tracking error straight into the control loop.

Method: Three stages — ① human action pre-training: JEPA-style visual prediction conditioned on hand-motion deltas, learning "effect-aware" latent actions; ② latent action world modelling: jointly predicting future visual dynamics and latent actions, decoupling the human prior from robot control parameterisation; ③ embodiment fine-tuning with a lightweight action adapter only.

Results: Five real tasks across three embodiments; out-of-distribution average success 74% versus 65% for the retargeting baseline; cumulative cross-embodiment wall-clock time falls from 743.2 h to 392.7 h (−47.2%).

Limitations: Small task set (five); the adapter is still tuned per embodiment; no long-horizon results reported.

Why read it: It pushes the human-data route from geometric transfer toward representation learning. Set beside GR-3's VR collection, SiMDex's retrieval curation and EgoJEPA's latent actions, one problem — what to do with human data — now has three technical routes, each backed by hard numbers.

Problem: Generalist policies rely on large-scale visual pre-training, but in contact-rich tasks force, compliance and incipient slip are invisible in images.

Method: Touch is used in two ways. ① During pre-training, tactile gloves generate image-space contact maps that supervise visual tokens alongside frozen 3D geometric teacher features; these objectives are removed entirely at inference. ② At inference, a separate tactile pathway encodes regional force history and 3D taxel state and conditions the action expert. One checkpoint supports both visual-only and touch-enabled deployment. The work ships the HumanTouch dataset (1,000 hours of full-hand tactile human manipulation) and the SparkArena benchmark.

Results: Purely visual success on Ego Humanoid rises from 52.5% to 71.7%; on SparkArena-Real (touch also used at deployment) from 44.0% to 52.0%; best average success on both tracks, and first on all eight aggregated metrics for Ego Humanoid.

Limitations: Depends on glove-based collection, so scaling is hardware-bound; cross-embodiment transfer is not fully explored.

Why read it: It gives a new answer to what tactile data is for — not only a deployment input but a way to teach visual representations about contact. That bears directly on the data-collection supply chain: a tactile-capable rig is no longer worth more because it adds a signal, but because it can generate pre-training supervision.

Problem: Existing benchmarks vary the task but not the robot. In deployment, cameras get knocked askew, calibration drifts, control frequency changes and gripper pads wear.

Method: All LIBERO tasks are held fixed while hardware and setup are perturbed along 11 axes (camera mounting and optics, camera–arm calibration, actuator gain, control frequency, proprioceptive noise, base pose, table height, gripper pads and others) at 5 severity levels — 210 conditions — evaluating 9 recent VLAs at 500 episodes per condition with statistical testing.

Results: Pooled success falls from 0.932 to 0.767 under moderate perturbation and 0.509 under the strongest; degradation varies widely by axis and by action interface; and training on visual perturbations does not mitigate hardware faults that leave the image unchanged.

Limitations: Still a simulated benchmark; real hardware degradation such as wear and thermal drift is not validated.

Why read it: It shows the success metric itself is unreliable — the same model can lose 40 points by changing hardware settings. The implication for route judgements: when comparing two methods without controlling hardware conditions, the difference may be noise.

Theme	Paper	One-line takeaway
World model	WAVE-0	A 257M latent world model attached to a pre-trained VLA lifts π₀.₅ from 38.3% to 73.3% on real hardware, with no pixel reconstruction and no large-scale video pre-training.
World model	WoVR+	Hallucination-aware WM-RL: staged imagination training handles long-horizon compounding error, taking long-horizon tasks from 30% to 75%.
World model	VeriVLA	Two-axis triggering plus a latent verifier spends 326 ms only at critical states, adding 14.7 points of real-task completion.
World model	T²-z	Optimises environment latent variables at test time (friction, mass and other unobservables) from a single interaction trajectory; success 33.73%→72.96%.
World model	P³-WAM	A world action model unifying perception, prediction and planning in one weight-sharing MoT for hand reconstruction, action-conditioned prediction and planning.
Human data	TacClaw-Infinity	A 10,000-hour, 1M-episode visuo-tactile-language-action dataset collected with a handheld device; transfers to three heterogeneous robots with zero embodiment-specific demonstrations.
Human data	λ₀ / HumanVerse	500 hours of open-world whole-body human data feeding a humanoid foundation model; 62.5% zero-shot on a G1.
Human data	EgoMatrix	Monocular egocentric video to replayable bimanual dexterous trajectories plus paired robot observations; 54.84% versus 14.52% end-to-end in simulation.
Human data	KODA	Canonical trajectories drive robot-view synthesis, so a controller change only requires regenerating supervision; +45 pp where human demonstrations exist.
Humanoid	BeJEPA	Goal-conditioned behavioural world model with unsupervised RL; global position error down about 60%, with standing up and repositioning on a G1.
Humanoid	PingpongDuo	Two humanoids playing doubles: team-level planning plus risk filtering, rallies of more than 10 shots on hardware.
Dexterity	DexNinja	real2sim2real with differentiable simulation for food cutting; over 60% success from a few dozen real demonstrations.
Evaluation	IMEP	Intervention-based memory evaluation: a last-digit perturbation changes 11.9% of outcomes, so claims that memory helps need fact-level evidence.
Evaluation	SIMPLER-IN	How-level instructions reduce success; segmented rich instructions improve responsiveness but not task success.
Evaluation	Human–VLA Gap	Skilled humans compress instructions; policies are most fragile on reconstructing semantics and event structure, not on referential grounding.
Efficiency	TacitVLA	Inference does not wait for text: latency down to 1/3.4, RoboMME Counting 82.7% versus 66.8%.
Efficiency	FastVLA	Training-free visual token compression; FLOPs −35 to −59%, real-robot latency −20%.
Efficiency	ACCRUE	Continual off-policy RL carrying actor and critic across tasks; real-robot training time −31.0 to −68.5% with almost no forgetting.

The company's research blog shows its latest robot models made available through a Pi API beta: users can upload data, fine-tune models and run cloud inference on their own robots. Following π0.7 (April, a steerable model with compositional generalisation), this turns model capability into a callable service. For academic tracking it matters because the two evaluation vocabularies are diverging further: corporate numbers come from customer tasks rather than public benchmarks.

This section collects only questions the papers read this week expose but cannot answer within their own scope. There is no cross-week tracking and no promise of a follow-up; if a later paper answers one of them, it appears simply as new evidence in that week's issue.

All three papers demonstrate gains from lightweight latent prediction plus verification on short horizons or a small number of tasks (+14.7 points, 38.3%→73.3%, a 326 ms cost). But latent prediction imposes no pixel-level physical constraint, and none of the three reports how error accumulates over multi-step rollouts or after what horizon it breaks down. That is the key unknown in whether the lightweight route can replace the video-generation route.

Spark-0's contact maps are generated by its own tactile gloves, so the supervision target is tied to that glove's taxel layout and calibration. Whether the same supervision still works with different tactile hardware — a different point density and arrangement — is not ablated. This decides whether the method is a general training trick or a hardware-bound process.

The routes report 74% versus 65% (5 tasks, 3 embodiments), 54.84% versus 14.52% (simulated end-to-end) and +45.0/+46.25 pp (two whole-body controllers) respectively — with entirely different task sets, embodiments and protocols. So whether retargeting, retrieval or latent actions is better cannot be decided on the available evidence. What is missing is not a method but a shared benchmark for conversion quality.

CoRL 2026 (9–12 November, Austin): accepted-paper lists and workshop schedules are due within two to three weeks, making it the most concentrated release of embodied-AI results this quarter.