市场整体表现 - 8月26日A股市场震荡反弹，四大指数集体飘红，沪指涨0.70%，深成指涨1.20%，创业板指涨1.37%，科创综指涨1.09% [1] - 沪深两市半日成交额1.23万亿，较上个交易日放量837亿，全市场超3500股飘红 [1] 券商与互联金融板块 - 券商、互联金融板块大幅走高，锦龙股份、湘财股份、南华期货涨停 [5] - 长江证券、招商证券、广发证券等跟涨 [5] - 具体个股涨幅：锦龙股份涨10.05%至9.75元，湘财股份涨10.03%至8.67元，南华期货涨10.04%至12.71元，哈投股份涨6.06%至5.78元，长江证券涨5.58%至9.08元，招商证券涨4.81%至18.51元，国元证券涨4.35%至7.67元，瑞达期货涨3.99%至19.54元，西部证券涨3.96%至6.83元，广发证券涨3.67%至21.18元，山西证券涨3.58%至5.50元，太平洋涨3.54%至3.51元，国信证券涨3.24%至10.20元 [6] 有色板块 - 有色板块全线大涨，铜、贵金属方向领涨，江西铜业、白银有色、金诚信涨停 [6] - 洛阳钼业、西部矿业大涨超8%，湖南白银涨超6% [6] 其他热点板块 - 可控核聚变概念活跃，融发核电、百利电气涨停 [7] - 造纸板块持续强势，青山纸业2连板，太阳纸业涨停 [7] - 算力硬件股回暖，PCB、光通信震荡反弹，剑桥科技涨停，杭电科技开盘秒板，长飞光纤、永鼎股份、东山精密、胜宏科技等热门个股同步飘红 [7] 下跌板块 - CRO概念震荡调整，益诺思、康龙化成跌超4%，泓博医药、义翘神州、药石科技等跟跌 [7] - 油气股走弱，中国海油、蓝焰控股跌幅居前 [7]

核心观点 - Linux创始人Linus Torvalds亲自修复Intel Xe显卡驱动中的一个Bug，该Bug排查过程涉及24个补丁和18次内核重启，最终仅需将round_up()改为round_down()一行代码[1][3] - Linus在调试过程中大量使用AI助手，AI承担了繁琐工作并撰写了最终Commit说明，但AI曾多次建议放弃，由Linus坚持继续推进[4][5] - 该事件引发Linux社区对AI编码工具、开源治理及程序员是否应公开肯定AI的激烈争论[1][7] 事件背景与Bug详情 - Bug出现在Intel Xe内核显卡驱动中，Linus使用Battlemage G21显卡时遇到驱动对内存边界处理偏差，导致CCS相关存储区域被错误暴露为可用vRAM[2] - 硬件可能向本不该使用的内存区域写入数据，若内存被分配给GPU页表后果严重，否则可能随机破坏位图等数据，导致GDM显示管理器不断崩溃重启[3] - Bug根源是CCS偏移量计算中将地址向上取整到128KB边界，实际应向下取整，错误的取整方向导致一小块本应保留的内存被“多算”进可用显存范围[3] AI在调试中的角色 - Linus将调试经历称为“debug session from hell”，明确表示AI提供了巨大帮助，承担了大量繁琐工作[4] - AI在调试过程中多次直截了当地说“这不可能，无解了，咱们直接写个报告吧”，Linus调侃训练AI的人大概没他这么倔[5] - 人机协作模式为：AI想放弃但Linus强制Push继续，AI按要求添加调试代码、分析结果，再根据新结果扩大或缩小排查范围[5] - 最终定位问题需增加24个用于补充调试信息的补丁，进行18次内核启动测试，Commit说明也是AI所写[5] 社区反应与争议 - Linus未透露使用的具体AI工具，引发网友调侃，有观点认为不点名是好事，否则会引发特定工具的宣传效应[6] - 部分社区成员对Linus公开肯定AI表示强烈反感，有网友质问“从没见过厨师夸菜刀、建筑工人夸砖头的，凭什么修Bug就要夸AI”[7] - 有网友翻出Linux内核官方AI编码助手政策文档，指出该文档要求AI贡献必须包含Assisted-by标签进行归属标注，提交者须对AI生成代码承担全部法律责任，认为Linus违反了Linux自己的AI政策[7] - 部分网友质疑Linux的QA流程，认为这种Bug当初不应被合入代码库，且缺乏确定性QA流程提前暴露问题[8] - 有网友将矛头指向AI更广泛的社会成本，认为AI加速解决问题但代价是污染水源、毒化空气、腐蚀大众认知能力[8] AI在开源世界的影响 - Linus今年已多次公开表达对AI工具的支持态度，明确反对将Linux项目变成“反AI”阵地[6] - Linux内核近期出现越来越多由AI辅助代码审查发现的问题和修复，给维护者带来效率提升和额外审查压力[6] - 社区分裂为两派：一派认为能发现Bug、提高效率，AI就是好工具；另一派担心AI工具的效率提升正在把成本转移给维护者、环境和整个技术社区[9] - Linus使用AI的方式并非“AI自动编码”，AI没有独立解决问题甚至多次判断问题无法解决，坚持排查方向、判断实验结果、决定继续或停止的人仍是Linus自己[8]

网络缩写与沟通误解 - 网络交流中滥用缩写字母导致沟通误解和尴尬，例如HR将“JD”（岗位描述）误打成“JB”[3][4] - 用户对缩写含义不熟悉，如询问“JD”是什么意思，被解释为“Job description”[12] - 职场中缩写误用引发笑话，如公司BP将“岗位JD”一直说成“岗位D1°”[12] 消费与商品鉴别 - 用户以约5元人民币的优惠价购买商品，但提醒“便宜没好货”，需注意鉴别真伪[17] - 二手平台出现低价租房信息，如上海浦东新区地下室月租100元，押金0元，面积18平方米，但环境描述引发安全担忧[57] - 商品列表显示包子价格随数量递增，如1个包子1.5元，100个包子150元，但用户质疑是“买多了有优惠”还是“老板算账方便”[86] 健康与医疗趣闻 - 学校校医被指为“兽医”，对学生各种不适仅提供葡萄糖，如胃疼被喷云南白药[19] - 用户分享减肥经历，声称“瘦了20斤”，但对话中对方质疑“说谎”[93][95] - 健身与省钱行为被比喻为“预瘦”和“缓存”，形容“最近在干嘛：全麻”[94] 生活趣事与创意 - 咖啡店菜单显示“师傅”选项，如“包师傅做”月售800+单，“豆师傅做”月售1000+单，用户评论“咖啡师是小猫”[64][67] - 用户将想买的东西发给朋友“走审批”，通过共享表格模拟审批流程，如iPhone 17被批“不批，现在价格有点高”[120] - 小说角色名被调侃，如“顾廷深”改为“王国雄”，“苏小小”改为“黄美玲”，被认为更有故事感[99][100][102] 时间与假期调侃 - 用户调侃假期不够，称“再坚持一下，因为2622年有两个春节”[23] - 评论回应“向天再借五百年都不够”，并计算“还要投胎六次”[25][29]

核心观点 - 原力灵机开发的DM0.5模型在具身智能评测RoboDojo中登顶，展现了强大的记忆能力和泛化性，并已全面开源，旨在推动行业生态发展[1][8][105] RoboDojo评测表现 - RoboDojo由香港大学、加州大学伯克利分校、清华大学等全球近20所顶尖学术机构发起，难度极高[4] - 截至2026年7月，仿真榜单头部模型平均成功率仅8.80%，真机榜单仅12.8%[5] - DM0.5在RoboDojo综合得分24.90，平均成功率19.34%[8] - DM0.5在Memory维度得分47.74，显著领先第二名GalaxeaVLA的8.61分[11][12] - DM0.5在Cover Blocks任务中三次随机考试均取得100%成功率[9] 其他权威评测成绩 - LIBERO综合成功率99.0%[14] - RoboTwin 2.0简单场景成功率93.6%，复杂场景成功率93.3%[14] - VLA-Arena不同难度成功率分别为89.0%、53.6%、44.1%[14] - RoboChallenge Table30 v2综合得分54.42，成功率43%[14] 核心能力与Demo展示 人类示教与记忆能力 - DM0.5支持最长60秒的原生长记忆能力，能深度记住并连贯审视自身动作序列[27] - 基于长记忆，模型可直接理解人类演示的视频片段，实现一次示教即复制[20][28] - 该能力解决物理世界长尾任务泛化性不足的问题，引入Human-in-the-Loop[24] 精细操作能力 - 6台机器人耗时15小时，用81920块微型积木拼出长3.5米的长城模型[32] - 积木拼装精度在0.1到1毫米尺度内，超越人手约0.3到1毫米的自然抖动极限[35] - 机器人具备自动纠错能力，能通过先对准再抖动下压的“寸劲儿”完成扣合[38][40] - 削黄瓜demo中，模型能实时闭环调整刀深和力道，适应柔性物体形态变化[43] 长程稳定高节拍 - 在物流分拣场景中，DM0.5不依赖预设脚本，纯靠实时视觉识别和决策[53] - 平均3秒一单，准确率超过99%[53] 抗干扰能力 - DM0.5采用分层双系统架构，即System1与System2[60] - Sys2负责理解、拒绝与大局预判，Sys1负责长程复杂任务中的琐碎细节[61] - 外部视点剧烈变化时，通用Picking鲁棒性依然极强[62] - 人类强行打断任务，机器人能准确理解当前状态并自适应修正后续动作[64] 技术实现核心变量 数据 - 真机数据：5万小时高精度操作，覆盖100+种丰富动作[77] - Ego数据：10万小时场景视频，支持毫米级高精度3D Landmark生成[77] - 仿真数据：100万平空间数据建模复杂室内环境[76] - 采用omni融合思路解决数据量问题，注重质量而非单纯硬采[79][80] 架构三大创新 - 原生长记忆：在上下文抽象层做大量工作，通过高效信息压缩技术，让4B参数的VLM在预训练阶段就能原生学习并记住历史信息[83][84] - 具身思维链：设计11项推理任务驱动模型，对指令、本体、环境进行三方联合建模[88] - 构造“反事实任务”，故意给出错误指令，迫使模型真正“看懂”而非机械匹配[89] - 对齐式动作监督：利用约束动态规划高效计算最优匹配，一次性解决动作轨迹不一致问题[91] 推理效率优化 - 模型核心延迟从534.04毫秒降至57.49毫秒，累计加速9.29倍，延迟降低89.2%[100] - API延迟p50为67.75毫秒，p90为70.01毫秒[100] - LIBERO成功率从98.45%降至98.40%，精度基本无损[100] - 优化包括Vision TRT静态图+FP8、Tuned FlexAttention、Triton fused小核等[101] 开源与生态 - DM0.5已全面开源，包括模型权重、训练框架、下游任务工作流[105][106] - 开源地址：GitHub (https://github.com/dexmal/opendm)、Hugging Face (https://huggingface.co/Dexmal/DM05)、Tech Blog (https://www.dexmal.com/blog/dm0)[113] - 开源旨在推动具身智能行业更透明的讨论、更真实的评测和更多公开的工作[112] - 公司认为物理AI早期不成熟，需要像Transformer开源推动ChatGPT一样，让方法论可被复用[112]

全球储能电芯市场2026上半年回顾与全年展望 1) 文章核心观点 2026上半年全球储能电芯出货量超460GWh，同比增长约94%，市场高速爆发[3] 大储/工商储与户储市场均呈现高增长与高集中度特征，其中户储增速更快达113%[13] 行业竞争从价格战转向综合能力战，预计全年出货将达约1012GWh，增速近50%[19] 2) 整体出货榜单分析 - 2026上半年全球储能电芯出货量超460GWh，较去年同期大增约94%[3] - 行业集中度进一步向头部聚拢，CR3占据约44%市场份额，CR10占据约84%市场份额[4] - 宁德时代稳居榜首，出货量达第二名的2倍以上，规模优势持续扩大[4] - 第二至第七名依次为海辰储能、亿纬锂能、比亚迪、中创新航、楚能新能源、瑞浦兰钧，单家上半年出货量均突破30GWh，排名竞争极度胶着[4] - 第八至第十名包括远景能源、鹏辉能源、欣旺达，全球储能电芯核心阵地已被中国企业掌控[4] 3) 大储/工商储市场分析 - 2026上半年全球大储(含工商业)电芯出货量约407GWh，同比增长约92%[8] - 大储领域集中度更高，CR10占据超86%市场[8] - 大储对资质、资金履约能力及长期质保能力要求严苛，订单加速向头部大厂集中[8] - 宁德时代稳居头把交椅[9] - 第二至第五名依次为海辰储能、亿纬锂能、比亚迪、中创新航，排名与一季度保持一致，是大储及工商储交付主力军[9] - 第六至第十名依次为楚能新能源、远景能源、瑞浦兰钧、欣旺达、国轩高科，处于前十防守与冲击阵地，差异化竞争特色鲜明[9] 4) 户储市场分析 - 2026上半年全球户储电芯出货超53GWh，同比增长约113%，展现出更强爆发力[13] - 户储电芯市场集中度极高，CR10高达94%，市场绝大部分空间已被头部十家企业锁定[13] - 前三名瑞浦兰钧、鹏辉能源、亿纬锂能出货量位列全球前三，CR3占据约68%市场份额，呈现三足鼎立格局，与后续企业拉开较大规模差距[14] - 第四至第五名国轩高科与楚能新能源属于追赶阵营，正加速通过产品升级发起冲击[14] - 第六至第十名中，派能科技、新能安、赣锋锂电、LG、比亚迪呈现多元化专精路线竞争，在细分渠道与特定区域市场占据优势[14] 5) 全年展望与行业趋势 - 2026上半年出货激增，一方面源于欧洲去库结束后的补货潮，另一方面来自中东与北美大储项目的集中交货[19] - 随着电芯价格逐步筑底，行业竞争已从单纯价格战转向包含质保期、海外本土化服务能力以及安全履约力的综合能力战[19] - 基于上半年强劲走势，预计2026全年全球储能电芯总出货量将达到约1012GWh，预计全年增速近50%，下半年行业整体将持续保持高景气态势[19]

中证红利低波100指数核心分析 指数定义与策略 - 红利低波类指数结合高股息与低波动策略，挑选股息率高且股价波动率低的股票 [3][4][5] - 低波动策略可独立于红利使用，如500低波、行业低波等品种 [8] - 市场上常见红利低波类指数包括中证红利低波、沪港深红利低波、中证红利低波100和恒生红利低波，均偏价值风格 [8] 中证红利低波100指数规则 - 指数代码930955.CSI，由中证指数有限公司发布，基日为2005年12月30日，基准点1000点 [10] - 从沪深两市选取100只流动性好、连续分红、股息率高且波动率低的股票 [10] - 采用股息率加权，而非总市值加权 [11] - 成分股市值平均数为2,070.21亿元，市值中位数为403.47亿元，整体以大中盘股为主 [9][13] 行业与成分股分布 - 行业分布相对均匀，金融和工业占比相对较高，但无行业特别集中 [14] - 前十大成分股合计权重20.14%，单只股票权重不高，分布在能源、消费、工业、医疗保健和通讯服务等行业 [17][19] - 前十大成分股包括冀中能源（权重2.76%）、雅戈尔（2.57%）、大秦铁路（2.35%）、云南白药（2.15%）、格力电器（1.86%）、双汇发展（1.83%）、凤凰传媒（1.69%）、苏泊尔（1.68%）、中国建筑（1.67%）、中国移动（1.60%） [19] - 红利类指数偏向成熟行业中的龙头公司，竞争格局稳定，盈利和分红更易保持稳定 [20] 长期表现 - 从2014年初至2026年8月17日，中证红利低波100全收益年化收益率为12.61%，同期沪深300全收益为8.14% [21] - 最大回撤为-38.74%，同期沪深300为-46.06% [22] - 2015年市场高估时，指数曾出现接近40%的回撤，仍属股票类资产 [24] 估值与投资参考 - 红利类指数估值最常用股息率，股息率越高，长期现金流通常越多 [25] - 红利低波100估值应与自身历史比较，而非简单横向与其他红利指数比较 [26] - 股息率在4%以上时现金流回报相对合适，若比同期10年期国债收益率高2%以上更具吸引力 [38] - 例如10年期国债收益率为1.7%时，红利类指数股息率至少在3.7%以上更合适 [38] - 投资经验不足者可在4-5星级时分批定投 [38] 指数基金选择 - 场外可关注景顺长城中证红利低波动100ETF联接A，场内可关注博时中证红利低波100ETF [29] - 不同红利低波指数相关性较强，选一类即可，关键在低估时投资 [36][37] - 中证红利低波100行业分布更均匀，中证红利低波金融行业占比相对较高，沪港深红利低波覆盖A股和港股 [43] 估值差异原因 - 不同渠道估值数据不同，与加权方式、指数规则、估值方法和安全边际有关 [40] - 加权方式包括市值加权、因子加权、价格加权和等权重加权 [41] - 策略指数如红利、低波动等按因子加权，而非总市值加权 [44][47] - 以银行股为例，按总市值加权在中证红利中占比约60.56%，按股息率加权占比约25.68% [45][46]

8月25日，据甘肃张掖公安，深化扫黑除恶专项斗争开展以来，张掖公安坚决扛起主责主业，靶向攻 坚传统黑恶及涉网新型有组织犯罪，常态化保持高压严打态势。近期一举打掉恶势力组织3个，"六 霸"6个，深挖根除黑恶滋生空间，有力震慑各类违法犯罪，用心守护人民群众生命财产安全，不断 筑牢张掖平安防线。 案例1——高台公安成功打掉以张某为首的寻衅滋事、聚众斗殴恶势力组织 2025年10月以来，犯罪嫌疑人张某、王某某、黄某某纠集多名初、高中在校学生成立"满江红"恶势 力组织，通过教唆、操纵、利用未成年人，在短期内多次组织多名未成年人持械实施聚众斗殴、寻衅 滋事等违法犯罪行为，在社会中造成不良影响，严重危害社会秩序与他人合法权益。高台县公安局深 入研判分析，确定该组织涉嫌违法犯罪后迅速成立专案组，经过多维固证、深挖串并、集中收网，成 功抓获犯罪嫌疑人6名，破获刑事案件5起，有效净化了社会面治安环境。 案例2——民乐公安成功打掉以马某某为首的色情敲诈、组织卖淫恶势力组织 2025年5月至11月期间，以犯罪嫌疑人马某某、谢某某为首的犯罪团伙，组织多名未成年女性卖 淫、实施"仙人跳"敲诈勒索，以及纠集社会闲散人员进行寻衅滋事等违法犯 ...

文章核心观点 - 具身世界模型的核心价值在于能否在机器人执行动作前“预演”未来，从而减少试错并找到正确行动路径，而非仅仅生成逼真的视频画面 [2][4] - 斯坦福大学、牛津大学、中山大学、X-Era AI团队联合发起的ActPhysCause Challenge旨在评测具身世界模型是否真正理解机器人动作、物理过程与任务目标，重点奖励“做得对”而非“画得像” [5][9] Track 0：未来视频生成赛道 - 参赛模型接收机器人操作场景的初始观测（一张640×480首帧）和自然语言指令，在生成过程中不再访问模拟器，直接预测机器人执行任务后的未来视频 [13][16] - 比赛不限定模型范式，通用视频生成模型、机器人世界模型及结合VLM、VLA或Physical AI先验的系统均可参与 [16] - 当前ECCV版本仅对Track 0计分，奖金池暂定为USD 2,000，第一名USD 1,000、第二名USD 700、第三名USD 300 [19][42] - 参赛者需为500个测试样本生成未来操作视频，每支队伍每天最多提交一次 [42] 评测指标：RCS-100评分体系 - RCS-100评分同时考察生成质量与任务忠实度，从两个视角整合为一个单一分数（0-100） [9][14] - 质量维度（A，免参考）包含6项指标：视觉清晰度、背景稳定性、运动平滑度、物理合理性（穿透/漂浮/瞬移等违反率）、空间一致性、指令遵循度 [14] - 保真度维度（B，与真值对比）包含5项指标：逐帧外观一致性、夹爪轨迹一致性、操作物体轨迹一致性、结果匹配度、高级语义一致性 [14] - 反直觉的基线实验显示，Static Anchor（重复首帧121次）取得最高PSNR（15.2 dB）和LPIPS（0.277），但Instruction Grounding与Outcome Match均为0；而Same-task Retrieval Anchor的PSNR仅11.9 dB，但Instruction Grounding达到2.46/4 [24] 核心评测能力：从视觉生成到具身任务理解 - 评测关注的不是单一“观感”，而是模型是否同时理解指令、动作、物体、物理过程与任务结果 [18] - 模型需具备三层能力：动作与指令（选对物体、机械臂和动作顺序）、物理与时序（接触、碰撞、支撑是否连续合理）、过程与结果（关键中间状态可信，最终状态满足指令） [25] - 视频只是可观察的载体，真正被评测的是模型对“动作—状态变化—任务结果”关系的理解 [21] 基线实验关键发现 - 画面更像不代表任务更对，像素接近不能替代任务判断 [24] - 在统一未使用RoboTwin数据微调的零样本设置下，基于Cosmos Nano的PC-Phys在Instruction Grounding上达到2.60/4，高于多数普通零样本视频生成模型 [28] - 通用视频数据让模型生成连贯画面，而贴近Physical AI与embodied interaction的数据才能帮助模型学习“动作如何改变世界” [28] - BG-Lock利用固定相机先验减少背景漂移和闪烁，说明面向机器人场景的结构先验同样重要 [28] 长期路线：从预测走向因果选择 - 当前ECCV版本仅Track 0计分，Track 1–3为后续公开路线 [40] - Track 1（Video-Action Joint Generation）：联合生成未来动作与未来视频 [45] - Track 2（Action Correction）：给定失败动作历史，修正动作并预测更合理的未来 [45] - Track 3（Causal Action Selection）：从多个候选动作中选出最可能导致目标结果的动作 [45] - 最终目标是实现闭环控制：策略提出候选动作→世界模型预演不同后果→系统比较成功概率与风险→选择最可能成功的动作→执行后获得新观测进入下一轮预测-决策-执行 [33][34][35][36][37][38] 参与方式与资源 - 比赛官网：https://actphyscause-challenge.x-era.com/ [8] - 实时榜单：https://actphyscause-challenge.x-era.com/leaderboard.html [8] - 数据集：https://huggingface.co/datasets/X-EraAI/ActPhysCause_Challenge_Track0/tree/main [8] - 代码：https://github.com/X-EraAI/ActPhysCause-Challenge [8] - LoViF 2026 @ ECCV Workshop将于2026年9月8–9日在瑞典马尔默举行 [43]

文章核心观点 机器人进入真实世界需补上三类能力：理解不可见状态（如触觉反馈）、根据实时反馈修正动作、将部署后的失败数据用于持续学习 通用能力更可能从专用场景中逐步积累而来 机器人感知与表征的局限性 - 机器人任务失败原因之一是许多关键状态（如阻力、卡住）在视觉画面中不可见，机器人无法感知这些反馈 [2][4] - 机器人需要形成3D Intelligence，理解空间和物理关系，而非仅仅依赖显式3D表征模块 [17][19] - 时间维度同样重要，机器人需理解物体动态特性（如重量、摩擦）以推断接触后的变化 [20] - 视觉提供整体场景，但接触发生后的关键信息（如阻力）不会明显写入画面，需结合触觉和力觉 [22] 触觉与力觉的实时修正作用 - 机器人一次生成连续动作的策略存在盲区：若书已卡住，原动作继续执行，即使感到阻力也可能来不及修改 [27][28] - 视觉适合判断整体方向，触觉和力觉应承担高频修正，上层模型决定大致做法，下层根据接触偏差及时修改动作 [28] - 具身模型需在动作执行期间保持清醒，根据世界变化判断原动作是否适用 [31] - 触觉反馈到来后，快策略可将原本生成的动作逐步拉回更合适的方向 [33] 传感器大规模部署的工程挑战 - 传感器能否进入Scaling，取决于量产级的稳定性和易用性，而非仅原理有效或Demo惊艳 [40] - 团队数据采集峰值曾涉及1000余名数采人员，分布在全国四五十座城市 [37] - 设备分发到真实场景后，充电、连接、标定和误操作都会成为数据生产链上的新问题 [37] - 团队曾为精确记录夹爪开合增加编码器，但规模放大后编码器损坏、充电、蓝牙不稳定等问题导致数据无法使用，最终回归更简单的视觉标记方案 [38][39][40] 人类数据与机器人数据的互补关系 - 人类数据可提供规模和场景广度，但能否进入训练取决于动作信息是否可靠及与机器人本体的对齐 [45] - 人手与二指夹爪结构不同，人类手腕轨迹不一定能直接映射为机械臂动作 [45] - 人类数据和机器人数据不是二选一：人类数据告诉模型真实世界可能出现什么，机器人数据负责将经验落到具体身体和控制方式上 [46] - 数据规模上升后噪声也会放大，采集质量不同会导致最终策略表现明显拉开 [47][48] 部署后的持续学习与数据闭环 - 真实部署中长尾问题（如书以新角度卡住、材质变化）难以提前收集完整 [51] - 在线自进化当前最大难题是整套基础设施：稳定推理、持续发现失败、接入人工纠正、重新部署 [52] - 失败数据不应被直接丢掉，它真实记录了动作如何改变世界，可用于训练世界模型、价值模型或奖励模型 [54][55] - 成功示范告诉机器人应该怎样做，失败数据第一次告诉它自己究竟不会什么 [56] - 从离线示范到在线纠正的训练闭环仍需人工参与，距离完全自主进化还有很长距离 [58] 力觉加入模型的时机与策略 - 力觉与机械臂、末端执行器、传感器安装方式和控制频率紧密相关，换一台机器人或夹爪，力信号含义可能变化 [60][61] - 视觉和语言数据可跨平台积累，力觉数据难以统一，若从预训练阶段就覆盖所有平台，采集成本高且数据难统一 [60][62] - 即使拥有纯视觉预训练模型，后续再加入触觉或力觉进行后训练仍可取得效果 [63] - 先通过视觉和人类数据让机器人学会识别环境、理解任务和生成基本动作，再针对具体身体和场景补上力觉适配 [64] - 后训练阶段增加力觉通路，让策略学会根据接触反馈修改动作，而不必推倒基础模型 [67] 通用能力的积累路径 - 早期仍会有一批明确场景先产生收入，客户首先关心机器人能否稳定完成任务 [68][69] - 专用场景先落地不等于每个项目都重新定制，硬件平台、软件框架、算法范式应能不断复用 [71] - 通用能力不只体现在机器人能做多少种任务，还体现在能力能否迁移到更多物体和场景，进入新项目是否需从零采数据和重新训练 [72] - 真正的通用能力会在一个个专用场景里遇到问题、产生数据、修正模型，再逐渐沉淀到共同平台中 [74]

户储电池大会丨第一批200+参会嘉宾名单公布，2026起点户储电池大会8.28深圳举办！ 2026年全球户用储能行业进入高速发展的黄金周期，在全球能源转型加速、电价持续高企、能源安全需求全面升级的多重核心驱动下，户储市场规 模呈现爆发式增长态势，根据SPIR数据， 2026上半年全球户储电池出货量61GWh，同比增长206% ， 预计全年出货量将超 135GWh。 起点锂 电、起点储能作为新能源电池行业权威产业服务平台，长期深耕锂电与储能全产业链，聚焦户储电池技术创新、产业生态协同、供应链全球化与出 海落地核心赛道，发起举办 2026起点户储电池生态大会暨全球户储电池TOP排行榜发布会，2026年8月28日将于 深圳宝安登喜路国际酒店2楼国 际厅正式举办。 "家电化" 与"差异化" 下户储电芯产品开发思考 盲官个级 日 龍 莎 電 0+ 校园 大会将邀请全球户储电池产业链核心企业、顶尖技术专家、行业决策者与投资机构，搭建技术交流、产业对接、资源协同的高端行业平台，深度探 讨户储电池技术迭代方向、产业生态构建路径、供应链安全与出海全球化策略，推动全球户储电池产业高质量、可持续发展，助力全球能源转型进 程。 经活 ...