CHASE-VLA：面向视觉-语言-动作模型的 chunk 感知训练后量化框架
CHASE-VLA 是一种面向 VLA 模型的 chunk 感知训练后量化（PTQ）方法，利用策略生成的动作 chunk 作为因果上下文，结合去噪步分组信息自适应调整动作专家（AE）的激活缩放，无需修改预训练策略即可实现 AE 中 MLP 与注意力投影的 W4A4 量化。
#具身智能
arXiv cs.CVAI 评分2424 arXiv cs.CVAI 评分2424 IG-VLA：通过内化时空想象实现高效 VLA 推理
研究团队提出 VLA 推理框架 IG-VLA，让模型在视觉表征空间中想象任务相关的未来场景演变，并通过 Scene Gist Memory 将推理结果内化为紧凑的 Scene Gist Token，从而在推理时跳过显式未来想象。
arXiv cs.AIAI 评分3232 ProWAM：渐进式视觉规划的世界动作模型，在 LIBERO-Plus 与 RoboTwin 刷新 SOTA
ProWAM 是一种渐进式世界动作模型，通过联合预测动作与有序稀疏视觉子目标，为动作生成提供显式视觉引导。它在 LIBERO-Plus 上达到 85.8%、随机化 RoboTwin 上达到 75.7%，相对最强基线提升最高 +35.9%；零样本真实场景成功率为 70.0%，较基线 55.0% 提升 +15.0。
arXiv cs.LGAI 评分2020 Co-design Gym：面向具身与策略协同优化的统一基准
研究者推出 Co-design Gym，一套用于联合优化具身设计与控制策略的基准环境套件，覆盖机器人操作与运动、多机器人协作、软体动力学、电子游戏、电网、无线网络、F1 赛车、多智能体仓库和最优控制等领域，共 20 个环境族、超过 85 个协同设计预设。该工作还对代表性协同设计算法做了系统评测，刻画了当前 SOTA 水平。
Microsoft Research精选AI 评分6262 微软研究：将物理 AI 推理卸载到边缘或云端可提升机器人性能与续航
微软研究院对移动操作机器人工作负载做了系统性测量，发现把物理 AI 推理从机载 GPU 卸载到边缘或云端 GPU 可提升任务成功率、支持更大模型并延长续航。
推荐理由：微软团队系统测量了机器人端侧与卸载推理的差异，并给出可复用的 Kubernetes 卸载工具链。