VLA 之外，具身智能正在长出完整的软件栈
今天的开源更新不适合再用“又出了几个模型”来概括。
更值得记录的变化，是具身智能正在从单一 Policy/VLA 模型竞争，向一套更完整的软件与数据基础设施扩展：人类行为如何转成机器人可执行数据、通用 VLM 如何跨本体控制机器人，以及机器人策略如何在真实世界数字副本里持续回归测试。
本期正式收录三项：WEAVE、Show-Harness、Neverwhere。它们分别对应全身操作学习、Physical Agent 接口和 Robot CI / 高真实感评测。
1. WEAVE：从人类交互学习全身灵巧移动操作
项目定位： Learning Whole-Body Dexterous Loco-Manipulation from Human–Object Interactions
WEAVE 把捕获的人类—物体交互先转换为机器人可执行的 robot-object reference，再通过 contact-aware retargeting、approach-motion completion 和强化学习，让人形机器人的身体、移动与灵巧手共同完成连续操作。
官方实验基于 Unitree G1 与双 Inspire 灵巧手：机器人身体包含 29 个驱动自由度，双手包含 12 个手指驱动自由度。训练集包含 7,869 条轨迹、19.56 小时；测试集 1,605 条轨迹、3.67 小时。项目同时释放约 23 小时、约 9,000 条 physically executed rollouts，并带 robot-object trajectory 与 contact annotation。
在官方结果中，一个统一策略在训练交互上达到约 92.5% 成功率，在未见过的同类交互序列上、无需额外训练仍达到约 65%。
为什么值得关注
过去很多 humanoid manipulation 本质上仍是“先走到目标前，再停下来做手部操作”。WEAVE 更接近真实的人类行为：行走、平衡、身体姿态、手指接触和物体运动是一个连续问题。
更重要的是，它把一条越来越清晰的数据路线做实了：
人类行为数据 → 接触感知重定向 → 机器人可执行参考 → 大规模仿真学习 → 真机/物理执行数据。
这意味着未来海量人类交互视频、动捕和 Ego 数据，不一定要直接训练 VLA，也可以先被转换成结构化、物理一致的机器人学习资产。
适用方向： 人形机器人、whole-body control、灵巧手、模仿学习、强化学习、Human-to-Robot 数据转换。
时间线判断：强烈建议纳入。 这是“人类交互数据规模化转化为人形机器人全身操作能力”的代表节点。
- 项目主页：https://xiaohu-art.github.io/Weave/
- 代码：https://github.com/xiaohu-art/Weave
- 论文：https://arxiv.org/abs/2609.16683
2. Show-Harness：VLM 不一定先变成 VLA，也能直接控制机器人
Show-Harness 在视觉语言模型和机器人之间增加了一层轻量的 Embodied Harness。
模型不直接预测连续关节动作，而是在一组离散、增量式的语义动作单元中进行决策，再由不同机器人本体的 interpreter 确定性地映射成实际运动。这样一来，Franka、AgileX Piper、ManiSkill 与 Isaac Lab 可以共享同一套模型侧动作词表和提示结构。
项目同时开放了 GUMI（GUI Manipulation Interface）：人或 GUI Agent 可以直接在浏览器里像“玩机器人”一样做示教，系统自动记录 observation-action 数据，不要求专门的遥操作设备。
官方仓库已经公开 harness 主体、GUMI、插件体系和训练流水线；配套的 Show-Harness-VLMs 也释放了多组 LoRA adapters，并提供真实机器人和仿真示教数据。
为什么值得关注
Show-Harness 提出的是一条和“大一统端到端 VLA”并行的路线：
通用大脑（VLM） + 标准语义动作接口 + 本体解释器 + 技能/工具。
这和软件世界里的 Agent 很像：模型不必自己重新学习每一个底层 API，而是通过稳定工具接口行动。
如果这条路线继续成熟，未来机器人开发的核心资产可能不只是某个 VLA checkpoint，还会包括一套跨机器人共享的 action vocabulary、interpreter、skills、plugins 和 rollout runtime。
适用方向： Physical Agent、VLM Agent、跨本体控制、低成本遥操作与数据采集、多机器人迁移。
时间线判断：强烈建议纳入。 它代表“具身智能从 Policy Model 向 Agent Runtime / Harness 扩展”的明显趋势。
- 项目主页：https://showlab.github.io/Show-Harness/
- 代码：https://github.com/showlab/Show-Harness
- 模型：https://huggingface.co/showlab/Show-Harness-VLMs
- 论文：https://arxiv.org/abs/2609.10522
3. Neverwhere：给机器人建立自己的持续集成测试环境
Neverwhere 解决的重点不是“怎么再训练一个策略”，而是：机器人策略部署到真实世界之前，怎么做规模化、可重复的闭环测试？
它使用真实城市室内/室外场景的重建结果，将 3D Gaussian Splatting 的高真实感视觉与可碰撞几何结合，构建面向腿式机器人视觉 locomotion / parkour 的 real-to-sim 评测环境。
项目公开 Paper、Code 与 Data，并提供可扩展的环境构建与评测工具。其核心意义并不只是“又一个仿真器”，而是把软件工程里熟悉的 CI / regression testing 思路带到机器人领域：
每次策略发生变化，都可以先在一套固定的真实世界数字副本中持续回归测试，再决定是否进入真机。
为什么值得关注
具身智能进入真实部署阶段以后，只有训练 benchmark 远远不够。机器人需要像软件一样拥有：
训练 → 自动评测 → 回归测试 → 部署前验证 → 真机上线。
Neverwhere 给出的方向可以概括为 Robot CI。
同时需要注意，官方也专门讨论了只依赖少量 3D Gaussian 重建场景作为训练数据的泛化风险。因此更合理的定位是：高真实感评测与部署基础设施，而不是替代真实世界多样数据的数据生成万能方案。
适用方向： 腿式机器人、视觉 locomotion、Sim-to-Real、3DGS、机器人自动评测与 CI。
时间线判断：建议纳入。 可进入“机器人研发基础设施 / 仿真评测”支线。
- 项目主页：https://ziyc.github.io/neverwhere-bench/
- 代码：https://github.com/embodied-intelligence/neverwhere
- 论文：https://arxiv.org/abs/2609.16443
开源状态观察：TEMPO / TempoBench 暂不列入正式开放数据集
今天同时核查了 TEMPO 与 TempoBench。其公开 GitHub 仓库已经包含动态目标操作数据的结构、257 个 episodes、97,265 frames、机器人 proprioception/action 与 object trajectory/velocity 等内容，技术方向本身很值得跟踪。
但截至本期核验时，TempoBench 仓库的 License 部分仍明确写着 “currently a placeholder (internal use). Set the intended terms before any external release.”
因此聚身之家暂时不把它标记为“正式开放数据集”，避免把“公开可浏览的仓库”误写成“拥有明确外部使用许可的数据集”。等作者补齐正式许可证后，再升级为正式收录项。
今天真正值得记录的变化
把这三项放在一起，会看到具身智能的竞争边界正在明显外扩：
WEAVE 解决“人类行为如何转化为机器人全身操作数据”；
Show-Harness 解决“通用模型如何通过稳定接口控制不同机器人”；
Neverwhere 解决“策略如何在进入真实世界之前持续自动验证”。
于是一个更完整的具身智能技术栈开始出现：
人类/真实世界数据 → 数据转换与重定向 → 模型/Agent → 本体接口 → 仿真与回归测试 → 真机部署 → 新数据回流。
真正长期有价值的开源基础设施，可能不会只是一份模型权重，而是这整个闭环里那些可以被所有机器人、所有 Agent 重复调用的公共组件。