Physical AI 前沿雷达是一份自动生成的具身智能早报：每天从 arXiv、厂商博客和行业媒体里挑出最多 8 条，归入八条主线，并给每条标注证据等级（官方一手、论文预印本、媒体二手）。它想解决的问题很朴素：厂商自报、未经评审的预印本和二手报道经常被放在同一个信息流里读，数字也常常脱离上下文被转述。雷达把这几类来源分开标注，数字按原文引用，排序规则全部写在仓库里，可以离线重跑。
它每天做什么
发布时间是每天 07:40（Asia/Singapore，即前一日 23:40 UTC），由维护者机器上的定时任务执行 scripts/publish_daily.sh。流水线分为几步：
- fetch：arXiv API 的六组
cs.RO查询（API 不可用时改读分类 RSS），外加 10 个官方与媒体源：AWS、NVIDIA（Technical Blog 与 Blog）、Google DeepMind、Hugging Face、Toyota Research Institute、IEEE Spectrum Robotics、The Robot Report、雷峰网、MONOist。只读声明过的机器可读端点（Atom / RSS / 文档化 API），不抓正文，不绕过付费墙。 - distill：相关性门槛、主线归类、数字抽取、可解释打分、限额筛选。
- render / feeds / site：生成中英日三语日报、三份 README 的雷达区块、周报、Atom 与 JSON Feed、
radar/latest.json和 GitHub Pages 落地页。 - commit：工作区确有变化才提交。
“最多 8 条”是上限而不是配额：2026-09-28 这一期只发出了 4 条（3 条 [R]、1 条 [M]）。
分类与打分：全部是看得懂的规则
八条主线定义在 data/taxonomy.json：基座模型（VLA / WAM）、数据引擎、训练与自我改进、仿真与评测、边缘与实时性、安全权限与合规、系统与编排、本体与供应链。每条主线有一组关键词和一个权重（0.95 到 1.15）。归类方式是对标题加摘要做整词匹配，所以 ppo 不会在 “support” 里命中，thor 不会在 “author” 里命中；得分最高的主线（命中数 × 主线权重）胜出。来自综合性博客、非机器人专题源的条目，还必须命中至少一个锚定词（robot、humanoid、VLA、world model、ROS 2 等，共 85 个），否则直接出局。
打分公式写在 docs/METHODOLOGY.md 里：
score = min(lane_hits, 6) × 0.35 × lane_weight
+ evidence_bonus # O 0.60 · R 0.35 · M 0.10
+ Σ signal_bonus # closed_loop 0.50 · real_robot 0.40 · numbers 0.30
# open_release 0.25 · latency 0.20
+ recency_bonus # 当天 1.0 · 1 天 0.8 · ≤3 天 0.5 · ≤7 天 0.25
+ (source_weight − 1.0)筛选时的约束：最低分 0.9，每条主线最多 2 条，全局最多 8 条；另有软上限，每个来源 3 条、每种证据等级 4 条，第一轮遵守全部上限，第二轮只按主线上限补位。30 天内发布过的链接不再入选（URL 先归一化，arXiv 链接去掉版本号）。另外还有同题去重：厂商原帖和媒体转述如果讲的是同一件事，只保留排名更高的那条。仓库明确说这是有意为之的偏向：带真机或闭环证据的条目，排在单纯刷基准的条目前面。
数字只引用，不重算
distill.extract_numbers 抽取百分比、倍数、ms / Hz / fps、参数量、小时数与演示条数、GB / W / kg / DoF 等，每条最多展示 4 个，并附上原文前后几个词（distill.number_context），让读者自己判断这个数字量的是什么。代码不会凭邻近词去猜指标名。方法论里举的例子是 “raises success rate and tracking accuracy by at least 24% and 47%”：离 24% 最近的指标名恰好是错的那个。原文数字错了，雷达也会跟着错，所以每条都附原始链接。
翻译策略同样写死：标题从不翻译；英文摘要以引用块形式展示；整条流水线不调用机器翻译。“为什么重要”这一行有三个来源，优先级依次是人工策展、agent 起草、模板拼合。agent 起草的行会逐条标注，页面写明起草所用的 agent 和模型；其中的数字必须已出现在当天页面上，而且由另一个没有参与起草的模型复核，确定性检查全部通过后自动合并，事先没有人工审阅，页面也如实写明这一点。起草和复核 agent 只有 read、grep、glob 权限，不能执行 shell，也不能联网。
怎么用
订阅和数据都是 GitHub Pages 上的静态文件，不需要账号或 key：
R=https://noteflowai.github.io/physical-ai-radar/radar
# 今天入选的条目：证据等级、主线、标题
curl -s $R/latest.json | jq -r '.picked[] | "[\(.evidence)] \(.lane)\t\(.title)"'
# 只看带可核对数字的
curl -s $R/latest.json | jq -r '.picked[] | select(.numbers | length > 0) | "\(.numbers | join(", "))\t\(.title)"'latest.json 里还有一个 fetch 块，记录当天尝试和成功应答的源、各源条目数，以及哪些源没有应答。例如 2026-09-28 这一期：11 个源全部应答，arXiv 走的是分类 RSS 回退，候选池共 433 条。python3 -m pairadar.health 会根据最近 14 天的记录判断哪个源持续失败。
本地复现只需要 Python 3.10+，不用 pip install：
git clone https://github.com/noteflowai/physical-ai-radar.git
cd physical-ai-radar
python3 -m pairadar --offline --out /tmp/radar # 不联网，产物写到别处
python3 -m pairadar # 联网抓取当日内容（会就地改写仓库）
python3 -m unittest discover -s tests不带 --out 运行会就地改写 README、radar/ 和 assets/，想先看产出就加 --out。
局限 / 注意
- 摘要是抽取式的，可能漏掉论文的真正贡献；主线和信号标签只用于初筛，不能替代阅读原文。
- 主线归类靠关键词，跨领域工作会归错。
python3 -m pairadar.lanes会标出只靠单个关键词归类（thin）或与次选主线分差过小（ambiguous）的条目。也就是说，归错能被发现，但不能被阻止。 [M]类条目在出货量、市场规模上常常互相矛盾；[R]的数字是作者自报；[O]也要区分“平台可用”和“客户已部署”。- 标准与法规条目只报告状态和日期，不构成任何安全论证。
- 状态：代码按版本发布，CHANGELOG 最新为 1.2.0（2026-09-27）；代码采用 MIT 许可，内容采用 CC BY 4.0。Robot Reel 与雷达由同一批作者维护，雷达的策展基线因此不收录自家项目。
