硅基参考论文库整理具身智能论文的作者、机构、会议、方法与代码关联；同一板块也可阅读论文解读跟进文章。
清华联合正行创新、无问芯穹提出 Harness VLA：记忆增强的 Harness 层把冻结 VLA 封装为可重试的接触丰富原语，与解析原语组合执行，零微调在 LIBERO-Pro 拿下 82.4%，低成本路线正面击败重训派。
蚂蚁灵波发布 LingBot-VA 2.0：以 SemVAE 统一视觉与动作分词、因果预训练配稀疏 MoE 骨干、异步推理实现高频闭环控制，真机验证少样本泛化。具身原生路线与暴力 Scaling 路线正面对照。
小米机器人团队发布Xiaomi-Robotics-1，用10万+小时UMI真实操作轨迹预训练VLA模型，RoboCasa365以57.4%刷新SOTA，代码与权重将开源。
清华大学联合正行创新、无问芯穹提出 Harness VLA：在冻结 VLA 之上增加记忆增强的 Harness 层，把 VLA 当作可重试的接触丰富原语，与解析原语组合执行。无需微调即可将预训练 VLA 扩展到扰动 tabletop、厨房和双手任务，在 LIBERO-Pro 和 RoboCasa365 上大幅刷新 SOTA。arXiv:2607.08448。
蚂蚁灵波提出 LingBot-VA 2.0，一个从头为具身智能设计的视频-动作基础模型。论文核心包括语义视觉-动作分词器 SemVAE、因果预训练范式、稀疏 MoE 骨干，以及异步推理方案，实现高频实时闭环控制。真实部署验证了模型在复杂操作任务中的少样本泛化能力。arXiv:2607.08639。
小米机器人团队提出 Xiaomi-Robotics-1，一个基于 10 万+小时 UMI 真实操作轨迹预训练的视觉-语言-动作基础模型。通过可扩展的自动标注流水线将轨迹片段标注为自然语言状态迁移，模型在 RoboCasa365 与 RoboDojo 上刷新 SOTA，并展现出数据与模型规模的良好扩展性。代码与模型检查点将开源。
Mobile ALOHA 是斯坦福大学于 2024 年 1 月发布的双臂移动操作研究论文（arXiv:2401.02117，后被 CoRL 2024 接收），作者为 Zipeng Fu、Tony Z. Zhao 与 Chelsea Finn。论文在 ALOHA 双臂遥操作平台上加装移动底盘与全身遥操作界面，构成低成本全身遥操作系统用于数据采集，并通过与静态 ALOHA 数据集协同训练，仅用约 50 次演示即可将移动操作任务成功率提升至约 90%，可自主完成炒菜上菜、开双门柜、呼叫并进入电梯等任务。
GaussianFace（2014）由汤晓鸥团队提出，在 LFW 数据集上取得 98.52% 的识别准确率，是世界上首个超越人眼（97.53%）的人脸识别算法，由香港中文大学多媒体实验室（MMLab）完成，奠定了商汤科技创立前的技术突破。
DeepID 系列由香港中文大学多媒体实验室（MMLab）王晓刚、汤晓鸥团队提出，是早期基于深度学习的面部识别表征方法，将人脸识别准确率提升至 99% 以上，率先突破工业应用红线，是 MMLab 走向产业化的重要基础研究。
《Single Image Haze Removal Using Dark Channel Prior》（CVPR 2009）由何恺明、孙剑、汤晓鸥完成，提出暗原色先验单幅图像去雾方法，是 CVPR 创办以来首篇来自亚洲机构的最佳论文，也是香港中文大学多媒体实验室（MMLab）的旗舰成果。
Diffusion Policy 用扩散模型学习机器人视觉运动策略，提升泛化与多模态。
DreamerV3 用世界模型在 150+ 任务上单一超参数达到 SOTA，证明世界模型可行性。
AlphaGo 用深度神经网络与蒙特卡洛树搜索击败围棋世界冠军李世石。
AlexNet 在 ImageNet 上大幅提升分类精度，开启深度学习时代。
RT-2 把视觉语言模型迁移到机器人控制，实现 VLA 统一架构。
提出语言模型性能随参数、数据、算力幂律缩放，指导大模型训练。
提出 Transformer 架构，奠定现代大模型基础。
DQN 用深度网络学习 Q 值，在 Atari 游戏上达到人类水平。
Open X-Embodiment 汇集全球 22 个机构百万机器人演示，训练通用 RT-X 模型。
PaLM-E 将 PaLM 与具身感知融合，实现多模态机器人规划。
SayCan 用大语言模型结合机器人可行性，实现长程任务规划。
RT-1 用 Transformer 学习真实机器人控制策略，13 万演示训练。
InstructGPT 用 RLHF 对齐 GPT-3，使模型按人类指令生成更有用回答。
CLIP 用 4 亿图文对做对比学习，实现零样本图像分类与跨模态检索。
多智能体学习通信，Foerster方向代表。
Cobot社会统计代理，Isbell早期RL应用。
提出 Chinchilla 缩放定律：数据与算力需同步增长，70B 模型可达更优性能。
Anthropic 提出 Constitutional AI，用 AI 反馈而非纯人类反馈实现无害对齐。
AlphaFold 通过深度学习实现高精度蛋白质结构预测，解决生物学五十年难题。
GPT-3 展示 175B 参数语言模型在少样本学习任务上的涌现能力。
Web挖掘群体智慧，松尾方向代表。
COMA多智能体策略梯度，多智能体RL里程碑。
Keepaway机器人足球，Stone强化学习基准。
深度网络逐层贪心训练，深度学习预训练奠基。
Options框架，分层强化学习时间抽象奠基。
形状上下文，物体识别经典特征。
安全RL综述，Kohli可信AI方向。
Pluribus多人扑克AI，不完全信息博弈里程碑。
Cicero外交AI，结合语言模型与策略推理。
Google Brain大规模无监督学习发现高层特征（猫脸神经元）。
神经概率语言模型，词向量与神经LM奠基。
用神经网络降维，自编码器深度学习奠基。
MRF图像分割，李子青方向代表。
神经网络表达能力理论，Arora深度学习理论代表。
BEVDet多相机3D检测，自动驾驶感知。
重新思考泛化，深度学习理论里程碑。
InternVL视觉-语言基础模型，上海AI Lab代表。
MTCNN人脸检测对齐联合模型，工业最广泛人脸检测之一。
InternVideo视频理解基础模型。
FCOS全卷积单阶段检测，无锚框检测代表。
MMDetection开放目标检测工具箱，OpenMMLab核心。
深度生成模型综述，Salakhutdinov方向代表。
子模函数最大化综述，Krause方向代表。
支持向量机扩展，Schölkopf核方法早期代表。
贝叶斯暗知识，朱军方向代表。
虹膜识别序数特征，谭铁牛方向代表。
悟道大模型，智源中国超大规模预训练模型。
陷门函数理论，姚期智密码学奠基工作。
安全多方计算（百万富翁问题），姚期智密码学里程碑。
TSN视频动作识别，中科院自动化所代表。
因果推断综述，Schölkopf因果ML方向。
Oxford机器人场景学习与SLAM方向代表。
YOLO单阶段实时目标检测，工业最广泛检测器之一。
OLMo开放大语言模型与训练栈，开放科学代表。
腿式机器人敏捷运动强化学习，Nature子刊。
SMPL人体模型，人体姿态估计与动画标准。
Lucas-Kanade光流算法，视觉对齐奠基。
VGGNet极深卷积网络，视觉识别里程碑。
光流估计理论分析，Black方向代表。
MC Dropout，用dropout近似贝叶斯推断。
ANYmal四足机器人，腿式机器人代表平台。
概率PCA，贝叶斯降维奠基。
Adam优化器，深度学习最广泛使用的优化算法之一。
知识蒸馏，模型压缩与教师-学生范式奠基。
深度学习教科书，领域标准教材。
NASNet神经架构搜索，用RL搜索网络结构。
DrQA开放域问答系统，检索+阅读奠基。
神经ODE，用微分方程定义网络，连续深度学习奠基。
视觉常识推理VCR，认知级视觉理解。
REALM检索增强语言模型预训练，RAG前身。
层归一化，Transformer训练的标准组件。
反向传播算法奠基论文，神经网络训练核心。
MoCo动量对比学习，视觉自监督代表。
MAE掩码自编码器，视觉自监督学习新范式。
贝叶斯概念学习，Tenenbaum认知建模代表。
Mask R-CNN实例分割里程碑，目标检测分割统一框架。
Bigtable分布式存储，NoSQL系统奠基。
Faster R-CNN区域提议网络，实时目标检测奠基。
ResNet残差网络，超深网络训练与视觉识别里程碑。
DINO自监督ViT，FAIR视觉自监督代表。
R-CNN区域卷积目标检测，深度学习视觉检测开山。
Seq2Seq序列到序列学习，NLP里程碑。
MapReduce分布式数据处理，大数据系统奠基。
Places场景识别数据集，场景理解基准。
可逆/关闭游戏，AI对齐中关于人类干预的形式化。
Dex-Net抓取数据集与深度抓取规划。
Drake机器人优化与仿真工具，模型based设计环境。
POMDP求解算法，Kaelbling在部分可观测决策方向奠基。
离线强化学习综述，Levine方向代表作。
剪枝+量化+哈夫曼压缩深度网络，高效AI奠基。
归一化分割图像分割经典算法，视觉图论方法代表。
SAC最大熵off-policy强化学习算法，机器人学习事实标准。
端到端深度视觉运动策略训练，深度RL机器人学习开山之作。
基于全局共现矩阵的词向量，与Word2Vec并列的奠基表示。
JEPA自监督世界模型架构，LeCun对自主机器智能的路线图。
通过逆向强化学习从专家演示学习，Abbeel奠基工作。
TRPO策略优化算法，强化学习稳定性方向代表。
主动询问人类偏好学习奖励函数，降低人机交互成本。
卷积神经网络LeNet在手写数字识别的应用，CNN奠基工作。
结合物理引擎与深度学习感知物体物理属性。
流式超算架构，Dally并行计算方向代表工作。
ImageNet数据集原论文，视觉识别基准的奠基。
MAML元学习算法，少样本快速适应的奠基工作。
Russell对有益AI的理论框架，价值对齐方向代表。
用GAN学习3D物体形状的潜在空间。
机器学习可复现性挑战与方法学规范。
大规模分布式强化学习在Dota2击败人类职业队。
基于人类反馈的强化学习奠基论文，RLHF范式的起点。
通用自博弈强化学习算法，在围棋/国际象棋/将棋超越专用AI。
在代码上训练的LLM（Codex/GPT-Code），奠定Copilot。
用序列到序列模型做句法分析，把语法解析当作翻译任务。
深度网络持续学习综述：方法、评估与开放问题。
用神经网络学习可解释程序的递归执行框架。
模拟人类反馈的训练环境，降低RLHF研究成本。
原始音频波形生成的因果扩张卷积模型，奠定神经声码器方向。
在星际争霸II击败人类职业选手的多智能体强化学习系统。
官网摘要称其利用 Denoising World Model 支持端到端强化学习人形机器人，并实现零样本 sim-to-real。
提出即时检测与即时恢复框架。
提出分层机器人 Transformer，官网摘要称成功率提升 20-30%，推理速度近乎翻倍。
提出预测-动作联合去噪框架，将图像预测与动作输出在同一扩散过程中学习。
利用视频扩散模型预测视觉表征作为机器人策略输入，实现通用机器人策略。
首次构建统一视觉-语言-动作模型，增强空间细节和动态信息理解。
首次将在线强化学习系统化嵌入 VLA 框架。
首次提出可控生成式世界模型，突破单一视角、动作预测不精准、多时一致性差等限制。