0.005 牛顿到 12.97 秒：这一周，具身智能在给「动作」编一部词典

广州，广交会的服务机器人展台。一台人形机器人捏住灯泡，对准螺口，转两圈，灯亮了。

展台的人报参数：这只手的触觉采样百万赫兹，最小精度 0.005 牛顿——一片羽毛落在掌心的力道。

问题在这儿：这 0.005 牛顿，模型训练时读得到吗？

通常读不到。绝大多数视觉-语言-动作（VLA）模型的训练样本是「图像 + 关节角 + 语言指令」。力被写进了关节电流，电流没进数据集。于是模型学会了「拧」的形状，没学会「拧到什么程度该松手」。灯亮了，可能因为它学会了，也可能因为灯泡刚好没碎。

这一周（10 月 13 到 18 日）的五件事，散在预印本、发布会和展台上，做的却是同一件事：在「动作」和「模型」之间插一层可翻译的中间物。都在给动作编词典。

一、257M 的中间人：让「未来」去指挥动作

10 月 13 日，WAVE-0 上了 arXiv（2610.18568）。它接的是上一篇深度篇留下的问题：VLA 生成动作却不建模后果，世界动作模型能建模后果，但得靠昂贵的视频生成。

WAVE-0 把「未来」从旁观者改成指挥者：在预训练 VLA 上加一个 257M 的潜在世界模型，VLM 先出潜在动作计划，世界模型翻成对未来表征，再去条件动作专家。不做像素重建，不做视频预训练，损失里只加了一项「反事实排序」。

分数：RoboTwin 2.0 上 91.47%，LIBERO 98.7%，三个分布漂移版本 88.0 / 61.4 / 75.0；真机上把 π0.5 从 38.3% 抬到 73.3%。

值得记的不是分数，是那个反事实排序：它强迫模型区分「这么做之后的未来」和「不这么做之后的未来」。上周那批论文在事后拿尺子量「动作响应性」，这次直接把它写进了训练目标。测量指标变成优化目标，是一个领域开始收敛的信号。

257M 也值得记：上周 6.0B 答 51.5%、57M 答 85.9%，这一层正在变薄。冷水：73.3% 是在 π0.5 上改的，协议未完整公开；LIBERO 的 98.7% 已经贴着饱和线。

二、20 种本体，一套关节坐标：跨本体终于有人动地基

同一天，GreenWAM（2610.18774，技术报告）问得更不讨巧：一个世界模型，能不能同时给二十种身体当大脑、又当教练？

障碍不在容量，在坐标系。轮式底盘记线速度，双臂记七维关节角，人形记四十多个关节加浮动基座。数据放在一起，加法都做不了。这跟数据瓶颈那篇是同一件事的另一面：不是数据太少，是数据不通。

它的办法是造一本共同语：一个共享的解剖学动作空间，用统一关节坐标描述 20 个机器人族。视觉、动作条件预测、世界-动作三模式联合训练；适配阶段把动作专家从生成器上切下来，最后蒸馏成单步策略跑实时。

结果：WorldArena 1.0 轨迹、深度、三维精度第一梯队，RoboTwin 2.0 榜前列，LIBERO-plus 零样本最高，真机人形上高于从 π0.5 与 Cosmos 3 Edge 适配的策略。

三组受控实验里第三条最值钱：适配期间保留世界模型模式，能保住对场景变化的鲁棒性。 像在反驳「推理时不必想象未来」那派，其实不是：它也蒸馏成单步部署。它说的是：训练和适配期不能扔。上周的争论，把「什么时候扔」这个前提省掉了。冷水：非同行评审，共同坐标是人手工设计的拓扑，跨族负迁移没量化。

三、NEURA：世界状态不是一张图，是一段带触觉的记忆

10 月 14 日，德国 NEURA Robotics 发布 Neuron AI，架构叫 PLA。

视觉、触觉与力、音频、本体状态、语言，编进一个时间对齐的共享表征，再条件到一条动作流；记忆内置。它选的例子很实在：开锁时摄像头只看得见手在转，只有声音和手感能确认锁舌退了；焊一条缝，老师傅听声音判断熔深，机器人焊了这么多年没听过。

这是对「世界状态」的第二种定义。首季双系统那篇讨论过，主流做法是把状态压进潜在向量，靠预测未来隐式约束。NEURA 的答案更笨：状态不是一张图，是一段带触觉、带声音、带「我刚把桶盖放哪儿了」的记录。笨，但可调试——你至少能指着时间线说，它在这里漏了。

它提的指标更值得拎出来：Time-to-Skill，一支机队学会一项新活要多久。这比任何 benchmark 都更接近买家的问题，也是出货量那篇结论的正面版本：别数卖了多少台，数部署一个新任务要几天。

冷水要泼重。截至发稿，Neuron AI 没有任何第三方评测。招牌演示——4NE1 连续 11 分钟全自主洗衣——定在 10 月 20 至 22 日的 GTC Berlin，写稿时还没发生。「客体永久性」是公司自述；三支柱里的仿真放大与传感服演示，本质仍是自采。

四、格物通智：从视频里读出「用了多大力」

10 月 18 日，成立两个月的杭州公司格物通智宣布近亿元天使轮，匹克投资、鸿富资产、杭州资本等在列。创始人出自华为车 BU 的 ADS 量产团队。

它的主张是「物理反演世界模型」：从看得见的动作反推接触与受力，再用真实力觉触觉校准，给数据补物理标签；数据走 Real-to-Sim，来源是互联网第一、三人称视频。

这把数据瓶颈和世界模型的三种用法接成了一条商业路径：不采数据，先读数据。真机遥操作一天一百多条，缺口五个数量级，靠采集永远追不上。

前提得说清楚：单目视频里，接触力几乎不可观。人踩在地上知道地有多硬，是因为有脚；摄像头没有脚。所以必须有触觉兜底，而触觉数据本身还得采——这不是零数据，是少采多推，省掉的是广度，不是精度。

五、车间里的尺子：12.97 秒与 99.99%

前面四件都在造语言，只有这一组在报成绩。

工博会上，智元给出的数字是：龙旗南昌工厂，标定最快 15 分钟、36 小时完成并线、设备复用率 95%、6 天连续并线直播成功率 99.99%；均胜电子的三销定位柔性装配，节拍最快 12.97 秒、成功率 99.9%，体系内适配工位已达千个。节卡的 Kargo10 在智能大灯工厂把单箱节拍从 105 秒压到 28 秒，新场景部署 57 天。

广交会是另一种尺子：帕西尼把力分辨率报到 0.005 牛顿。10 月 17 至 18 日，珞石在邹城下线第 10000 台人形力控臂——不是整机，是执行单元。这比整机出货量更能说明产能到了哪步：本体可以攒，力控臂得一条条磨。

数字都是真的，但每个都是各自挑出来的最好的格子：99.99% 是「6 天连续并线直播任务」，不是全任务集；99.9% 是一道工序；12.97 秒是「最快」，不是均值。它们能证明这道工序在受控条件下能跑，不能证明一条产线可以交给它。

这是出货量那篇的老问题在新场景里的复现：能力层已经有了公共考场，产业层连「成功率怎么算」都还是各家自己定。王坚在工博会上替机器人企业要数据，说工业数据该成为语言、代码之外 AI 的「头等数据」。这句话是本周的题眼：大家都在编词典，没人愿意交出语料。

收尾：五套词典，没有一本是公共的

五层中间物：潜在未来、共同关节坐标、多模态共享表征、物理标签、节拍与成功率。每一层都是正经工程，但互不相通，也没有一层是开放到能被别人的数据直接采用的。

所以判断是：护城河不在模型权重，在中间表示的默认值。 谁的格式被别人的数据采用，谁就拿走数据复利——CUDA 的故事，也是分词器的故事。二十种本体共用一套坐标：如果它公开、别人愿意往里灌数据，价值会超过任何在它上面训出来的模型；如果只是自家管线的约定，那就是又一次方言。

一个可检验的预测：未来十二个月会出现至少一个跨厂商的动作数据格式联盟，哪怕只是白皮书——单靠任何一家采集，五个数量级的缺口都补不上。

这一周五件事都很扎实。但扎实的东西加起来不等于通用。词典编得再讲究，也还没人开始学外语。

信息源说明：以下按信源成色分层，请勿把转述当作官方结论。

官方一手信息：WAVE-0（arXiv:2610.18568，10-13，数据为作者自报，未经同行评审）；GreenWAM（arXiv:2610.18774，10-13，技术报告，非同行评审）；Neuron AI 与 4NE1 Gen 3.5（NEURA 10-14 发布，参数与演示安排为公司自述，无第三方评测，11 分钟洗衣演示定于 10/20–22 GTC Berlin，尚未发生）；格物通智融资与技术路线（公司 10-18 口径）；珞石第 10000 台力控臂（企业通报）。

媒体报道：智元、节卡、帕西尼的节拍、成功率与力分辨率数据出自 2026-10-14 上海证券报对工博会的现场报道，属厂商现场口径经媒体转述，未见第三方复核；广交会现场来自 2026-10-16 中新社、10-18 界面新闻。

第三方/社区分析：两篇预印本的对比结论均建立在作者自选基线上，第三方复现尚未出现；GreenWAM 的共同坐标由作者手工定义，跨族负迁移未见量化；Neuron AI 的「客体永久性」只有厂商叙事，本文不作能力结论使用。

主动排除：特斯拉供应商新剑传动在创业板问询函回复中称 Optimus「即将进入量产周期」，特斯拉 10 月 14 日回应「没有官方消息可以分享」，属非官方单方面表述，不计入本周增量。