全球首个1毫秒级人体动作捕捉系统FlashCap，通过闪烁LED与事件相机结合，实现1000Hz超高帧率捕捉。无需昂贵设备或强光环境，低成本穿戴服即可精准捕捉极速动作。团队同步开源715万帧的FlashMotion数据集与多模态模型ResPose，显著提升运动分析精度，推动体育、VR与机器人领域迈向高动态智能新阶段。
机器人能认出杯子，却看不懂杯口朝哪、离自己多远、该抓哪里。
在具身智能领域，机器人操作的泛化能力一直是一个核心挑战。当前，视觉 - 语言 - 动作（VLA）模型主要分为两大范式：端到端模型与分层模型。端到端 VLA 模型（如 RT-2 [1], OpenVLA [2]）严重依赖海量的 “指令 - 视觉 - 动作” 成对数据，获取成本极高，导致其在面对新任务或新场景时零样本泛化能力受限。
近期，利用视频生成模型为机器人构建 “世界模型”，已成为具身智能领域的热门技术路线。给定当前观测和自然语言指令，这类模型能够先 “想象” 出未来的视觉轨迹，再由逆动力学模型（IDM）将生成画面解码为机器人动作，从而形成 “先预测、后执行” 的解耦式规划范式。由于兼具较强的可解释性与开放场景泛化潜力，这一路线正在受到学术界和工业界的广泛关注。
最近，一家名为 Memvid 的初创公司发布了一则颇具争议的招聘：寻找一名“职业 AI 喷子”，用整整一天时间，对主流聊天机器人进行高强度压力测试，核心任务只有一个——把 AI 的“记忆缺陷”问题彻底暴露出来。
「人形机器人如果有最终形态，那一定会是有头有脸，你觉得呢？」
从「被动感知」到「主动预测」，首个视触觉世界模型让机器人真正学会「理解接触」。
想象一下这样的生活片段：你拿起手机 30 秒，屏幕立刻跳出提醒，“当前心率 78，压力中等，建议深呼吸”；家里的智能摄像头静静看着午睡的宝宝，突然通过 App 提醒你：“宝宝心率偏快，呼吸略显急促，建议进屋查看”；养老院里，巡检机器人通过一次擦身而过的对视，便能感知到老人今天情绪低落，且血氧饱和度略低于往常......
实现具备人类水平的灵巧操作能力，是机器人学领域长期以来的核心挑战之一。尽管多指灵巧手在硬件上具备了类似人类的潜力，但由于接触丰富的物理特性和非理想的驱动机制，训练能够直接部署在真实硬件上的控制策略仍然非常困难。
“把水果放进盘子里”——机器人看懂了指令，开始执行，却在最后关头抓偏了。
