26年9月来自创业公司Reward AI的博客文章“OM-1: Frontier Robot Intelligence, Learned Firsthand from Humans”：https://www.rewardai.com/blog/OM-1/。

这篇博客介绍了 Reward AI 的机器人系统 Omnibody 和核心模型 OM-1。核心思路是：直接从人类自然操作中学习，再让同一个策略模型控制不同机器人。

主要有四个要点：
用可穿戴设备采集示范。 Omnibody Hand 采用 7 自由度设计，记录人的抓握和操作，尽量保留自然动作，无需人去适应某台机器人的结构。
记录的不只是画面。 系统融合视觉、触觉、接近感知、手部轨迹和力信息；各传感器保持原生采样频率，保留快速接触与动作细节。
一个模型跨机器人使用。 官方称 OM-1 策略仅用人类示范学习，不需要遥操作或机器人实机训练数据，可以用于机械臂和人形机器人。
控制层负责可靠执行。 底层控制器通过仿真强化学习训练，处理负载、扰动和延迟，并在模型推理期间持续运行，让动作保持连贯。

文章给出的关键结果是：加入电磁感知后，高速追踪的平均过冲误差降低约 60%；官方还称，新任务只需 不到 30 分钟的示范数据即可学会。
它的重点在于把数据采集、模型学习和机器人控制一起设计，降低为每种机器人重新采集数据的成本。不过，这篇更偏系统发布介绍，缺少完整基准、成功率和训练规模披露；“跨机器人泛化”等能力的适用范围还需要更多实验验证。