Steel
新一、简介
Steel 是 Scalable Throughput-optimized Engine for Embodied Learning 的缩写,即「面向具身学习的可扩展吞吐优化引擎」。它是 Skild AI 与 NVIDIA 于 2026 年 11 月联合推出、贡献给开源 Newton 物理引擎的 GPU 加速刚体动力学求解器,在 Newton 中以 newton.solvers.SolverSteel 暴露。本文对应的官方发布文章位于 skild.ai/blogs/steel;独立的 skild-ai/steel 仓库主体是一份 README、一张发布海报与许可文件,真正的求解器实现位于 Newton 源码树的 newton/_src/solvers/steel 目录。先厘清这一分层很要紧:代码、发行节奏与 API 契约都归属于 Newton,评估这个项目时不能把独立仓库当成引擎本体。NVIDIA Warp记录内核层,MuJoCo记录接触动力学内核,ProtoMotions记录上层运动学习框架,Steel 处在与它们并列、但嵌在 Newton 内部的求解器位置。
对物理 AI 从业者而言,值得关注的并不只是一条新的速度纪录。仿真吞吐决定策略能收集多少经验,而常见的 GPU 仿真架构在「把同一份结构化负载复制几千份」时效率最高;通用操作任务提出的却是相反要求:机械臂、灵巧手、人形与四足机器人要在同一个批次里练不同任务。Steel 的设计目标正是「单个环境内部的复杂性」加上「环境之间的异构性」,官方公布的每个数字都围绕这条轴线组织。项目给出的结果包括:20 项单任务基准上相对 PhysX 的几何均值吞吐为 3.8 倍,其中 19 项更快;混合 5 至 20 类任务的批次上,相对 PhysX 峰值实测吞吐达到 9.2 至 13.0 倍。这些是厂商自测数字,其硬件、任务与基线条件在第六节和第九节逐项登记。
读完本文应当能回答四个问题:按环境组织与调度计算的设计究竟改变了什么;这些倍率依赖哪些测量条件;Steel 与 PhysX、MuJoCo Warp、Isaac Lab 之间是何种关系;以及复现实验或部署评审需要准备哪些功课。物理仿真入门提供坐标与求解器的基础词汇,经典求解器成本边界给出成本对照方法,Skild AI 公司调研提供厂商侧背景。本文全部版本、许可与能力陈述均于 2026 年 11 月 12 日对照发布文章及其测量说明、Steel 与 Newton 及 steel-webgpu 三个仓库 README、Newton releases 页面和 NVIDIA 的 CoRL 2026 公告核实;所有吞吐与显存数字按「项目测量或其转述」处理,本站不替读者确认这些数字在自有场景成立。
二、原理与工作方式
Steel 面对的核心问题是「工作量不均匀」。机械臂在自由空间伸展、灵巧手翻转方块、机械臂在杂乱料箱中作业,三者的关节数、约束数与活跃接触数各不相同;即便同一个场景,接触会随着步进不断出现与消失,负载也在变化。若把三者当成需要同等计算量的任务处理,GPU 上会有大量工作被低效分配。发布文章给出三项应对:动力学与约束按环境组织;把关节数相近的铰接体分组,让 GPU 执行规整的计算束;按每个环境当下的需求路由接触求解工作。分组与路由减少了异构批次中的填充(padding)与无谓求解开销。数值与求解器合集与 AMGX GPU 线性求解器案例给出更宽的求解器背景。
实现层面,该设计把缩减坐标(reduced coordinates)的铰接体动力学与投影高斯—赛德尔约束求解结合起来。项目自述会在同一铰接体的多个接触之间复用其关节空间质量矩阵的分解,并且不构造成对约束相互作用的稠密矩阵。这正是关节密集场景结果的来源:稠密铰接分解会随机器人复杂度上升而变贵,该设计避免在每处接触重复付出这份代价。缩减坐标让关节约束隐含在坐标表示中,接触则交给迭代求解处理。物理仿真入门解释坐标选择与接触表述为何相互耦合,NVIDIA Warp说明 Newton 所依托的内核语言。
发布演示还呈现了三组机制。静止成组的刚体以独立约束岛进入睡眠,Steel 跳过其大部分求解工作;一段 Panda 抓取钢笔的顺从/水弹性接触演示,把整个步进装进单张捕获的 CUDA graph;另有可选的微分步进让 Newton 的 tape 能穿透 Steel 反传,用于无人机模型预测控制示例。另一个示例借助实验性的光滑接触模型,对小球抛射初速度求梯度。两项梯度特性在公告里都标注为 Experimental。耦合演示包括 Franka 放置 VBD 线缆、布料上的操作、刚体箱堆落在隐式 MPM 沙上、刚性球压凹 VBD 软体梁;在每一例中 Steel 承担 Newton 耦合求解器的刚体一侧,可变形物理由 Newton 其它部分处理。JAX与 PhysicsNeMo分别记录周边数组库与物理模型库这一层。
三、适用边界与前提
第一层边界是物理域。Steel 是面向铰接机构与接触的刚体动力学求解器,不计算流体流动、传热或电磁场;交付物若是经过验证的连续场解,应转向 OpenFOAM 或 PhysicsNeMo。那些出现布料、线缆、沙粒与软体的演示属于 Newton 耦合演示,Steel 明确只做刚体一侧。若由此推断 Steel 能独立仿真可变形连续介质,是对发布材料的误读。
第二层边界是宿主技术栈。Steel 直接在 Newton 内开发,共用其模型表示与碰撞基础设施,因此没有可单独安装的引擎。Newton 构建于 NVIDIA Warp 之上,扩展了已弃用的 warp.sim 模块,并把 MuJoCo Warp 作为主要物理后端;Steel 是追加的求解器,并不取代该后端。Newton 的 README 写明 Python 3.10 及以上(3.10 已弃用,计划在 Newton 1.9 移除,建议 3.11 及以上),全新安装会选中 Warp 1.18,后者要求计算能力 7.5 以上的 NVIDIA Turing 级 GPU 与 R580 以上驱动才能启用 CUDA 加速;R545 至 R579 驱动或较旧的受支持 GPU 需把 warp-lang 固定到 1.17.0;macOS 仅能跑 CPU。NVIDIA Warp与 MuJoCo两个条目解释了这两层依赖。
第三层边界是测量契约。已公布的基准跑在 Newton release-1.8 候选版 01ea1293 上:单任务套件启用了 reuse_kinematics=True,异构套件因开启关节速度限制而未启用该路径。PhysX 来自 Isaac Sim 6.1.0.0(omni.physx 110.3.2)并以原生方式运行,MuJoCo Warp 为 3.17 版,硬件统一为单张 NVIDIA RTX PRO 6000 Blackwell。异构测量使用每个环境步一次 5 毫秒物理步进、带小噪声的保持位置目标,无策略、无域随机化、无相机,开启 CUDA graphs;单任务套件只计物理步进,在主机返回边界计时,排除观测、奖励与重置,且每步同步设备。这类条件下的吞吐与端到端策略训练速度是两个量,经典求解器成本边界说明该区分为何重要。
第四层边界是法务与工程状态。Steel 与 Newton 源码为 Apache-2.0,Newton 文档为 CC BY 4.0,第三方许可文本集中在 newton/licenses,steel-webgpu 随附的机器人模型另保留 BSD-3-Clause 与 MIT 条款。Skild 博客的措辞是 Steel「拟与」NVIDIA Isaac Lab 集成,NVIDIA 的 CoRL 公告则称 Isaac Lab 3.0 可在 PhysX 与 Newton 求解器之间切换。两种表述相容但承诺程度不同,本文并列记录,不主张任何一份材料都未声明的生产级集成完成度。
四、上手路径
零安装入口在浏览器。发布文章内嵌 24 个由 steel-webgpu 实时渲染的场景,读者可在求解过程中拖动对象、调整求解器参数,完整演示页另可单独打开。该仓库说明桌面或移动端需支持 WebGPU 的 Chrome、Edge 或 Safari,且明确这些场景在读者自己的 GPU 上运行、并非录像。做应用开发时,@skild-ai/steel-webgpu 提供三个入口:引擎入口含 Sim、SceneBuilder、场景加载以及 URDF、MJCF、USDA 导入;three.js 入口负责渲染、拾取与拖拽;React Three Fiber 入口给出组件与 hooks。开发使用 Bun,Newton 模型经 tools/newton_export.py 导出为场景目录。Python 机器人学覆盖这类资产管线周边的工具链。
本地物理实验走 Newton:执行 pip install "newton[examples]",再用 python -m newton.examples 运行 Newton README 列出的两个 Steel 示例 steel_sleeping 与 steel_determinism_arms;求解器本身按 newton.solvers.SolverSteel 导入。更广的示例集覆盖 cartpole、G1 与 H1 人形、ANYmal 四足、Allegro 灵巧手、水弹性接触、布料、线缆、MPM 颗粒材料与可微仿真,团队可以在不更换技术栈的前提下从单一场景过渡到耦合场景。机器人模型可取自 MuJoCo Menagerie、RoboCasa、Isaac Sim 资产或 Universal Robots URDF,并逐项遵守各自许可。
在信任任何数字之前,先固定并归档:Newton 版本与 commit 或候选版标识、Python 与 Warp 版本、GPU 与驱动、时间步、求解器开关、reuse_kinematics 是否启用、任务混合构成、批量大小,以及 PhysX 或 MuJoCo Warp 的基线版本。第一个值得做的受控实验是同批量复跑:按测量说明里点名的 PhysX 版本,在同一批量下重跑 20 项单任务基准之一,只计物理步进,再分别用开与关 reuse_kinematics 各跑一次,量化这一可选路径贡献了多少。第二个实验按 5、10、15、20 类任务混合,同时记录峰值吞吐与显存,因为项目报告的就是这两个量。物理 AI 学习路径与 物理仿真入门给出整体次序,经典求解器成本边界给出记录纪律。
五、横向对比
按契约比较比按榜单排名有用。PhysX 是项目选定的基线,具体为 Isaac Sim 6.1.0.0 自带的原生运行时,硬件为单张 RTX PRO 6000 Blackwell。MuJoCo Warp 3.17 是第二个对照:发布文章给出它在同一批 20 项任务上为 PhysX 的 2.9 倍,Steel 约为 MuJoCo Warp 的 1.3 倍;23 关节的 Kuka–Allegro 抬升任务上,Steel 达 PhysX 的 6.7 倍、约为 MuJoCo Warp 的 1.8 倍。可见 MuJoCo Warp 是很强的基线。MuJoCo条目记录其软凸接触模型与 Warp 后端的 Beta 限制,NVIDIA Warp条目记录两者共用的内核层。
一种常见误读是把 Steel 与 MuJoCo 摆成竞争关系。Newton 是托管于 Linux Foundation、由 Disney Research、Google DeepMind 与 NVIDIA 发起的项目,其 README 把 MuJoCo Warp 写作主要物理后端;Steel 是贡献给同一引擎的追加求解器,二者共用 Newton 的模型表示与碰撞基础设施。MJX 与 MuJoCo 的 CPU 内核属于另一个引擎家族,接触表述也不同。它们分处不同层、采用不同近似,本文不对其排序。OpenFOAM与 PhysicsNeMo离得更远,其对象是连续场。
Isaac Lab 处在编排层。NVIDIA 的 CoRL 2026 公告称 Isaac Lab 3.0 可在 PhysX 与 Newton 求解器之间切换,可为感知训练选择渲染器,并可对基础模型施加强化后训练库;同一公告还给出,在基于视觉的灵巧操作基准上,Isaac Lab 3.0 配 Newton 的训练吞吐最高为 Isaac Lab 2.3 配 PhysX 的 2.5 倍。这是训练吞吐指标,绑定另一套基准,与第六节的物理步进倍率不是同一个量,既不能相乘,也不宜直接比较。NVIDIA 公司调研给出平台侧背景,Skild AI 公司调研给出厂商侧背景,西湖机器人公司调研记录同一生态中的另一家参与者。
选型时还需把三层分开记录:PhysX 与 Steel 是求解器,Newton 是把求解器、模型表示、碰撞检测与耦合能力组织起来的引擎,Isaac Lab 负责环境、奖励与训练循环。三层可以组合,任一层的版本或配置变化都会影响最终吞吐,因此基准报告里应当逐层写明版本,并把「求解器替换」与「训练框架升级」当作两件事。数值与求解器合集与 AMGX GPU 线性求解器案例给出更底层的对照,MuJoCo Menagerie说明共享机器人资产为何能让不同后端的评测具备可比性。
六、基准与数据
公开证据来自一次厂商基准活动,发布文章的「Measurement notes」把条件写得相当细。全部数字为单张 NVIDIA RTX PRO 6000 Blackwell 上的纯仿真吞吐,除明确标注的同批量比较外,各引擎都取自身最佳实测批量。2026 年 11 月 7 日测的 20 项单任务基准里,Steel 在 19 项上快于 PhysX,几何均值为 3.8 倍;MuJoCo Warp 的均值为 PhysX 的 2.9 倍,Steel 约为 MuJoCo Warp 的 1.3 倍。23 关节的 Kuka–Allegro 抬升任务上,Steel 达 PhysX 的 6.7 倍、约为 MuJoCo Warp 的 1.8 倍。批量扫描最高到 524,288 个环境。唯一例外是 Cartpole:Steel 的扫描在 65,536 个环境、吞吐仍在上升时停止,文章按实测值作图,另外两个引擎跑到了 524,288。
2026 年 11 月 8 日至 9 日测的异构实验混合 5、10、15、20 类任务,涵盖人形、四足、机械臂与灵巧手。峰值吞吐比为:5 类 9.2 倍(583 万对 63.2 万环境步/秒)、10 类 10.4 倍(495 万对 47.4 万)、15 类 12.5 倍(382 万对 30.6 万)、20 类 13.0 倍(245,760 个环境下 390 万,对 61,440 个环境下 30 万)。在 20 类任务、同为 61,440 个环境的匹配批量下,Steel 为 361 万环境步/秒,是 PhysX 的 12.0 倍,GPU 显存少用约 62%,约 11 GiB 对 29 GiB。PhysX 在较大混合任务上的曲线因 64K 材料上限提前结束。经典求解器成本边界给出记录这些条件的方法。
来源边界与量级同样重要。Steel 用的是 Newton release-1.8 候选版 01ea1293;单任务套件启用 reuse_kinematics=True,异构套件开启关节速度限制,该路径未生效。PhysX 为 Isaac Sim 6.1.0.0(omni.physx 110.3.2),文章特别注明 Isaac Sim 6.0.0.0 在这些混合任务上最快可比 6.1 快约 2.7 倍,差异只来自 PhysX 运行时本身。单任务计时排除观测、奖励与重置,每步同步设备,且明确不代表端到端训练速度。本文不引用任何独立复现,也不引用跨引擎接触精度的对比测试。NVIDIA 在 CoRL 另报的 Isaac Lab 3.0 配 Newton 最高 2.5 倍训练吞吐属于另一套指标,已在第五节单列。NVIDIA 公司调研与 Skild AI 公司调研提供背景,不构成对这些数字的验证。
七、物理 AI 场景中的用法
在物理 AI 项目里,Steel 处在「多样化经验成本由谁决定」的那一层。发布文章借 Skild 的 S1 工作与 omni-bodied 研究说明动机:能力随预训练经验规模提升,但对通用策略而言,经验覆盖哪些内容与收集了多少同样重要。真实数据对落地与迁移验证仍不可缺,然而跨任务、跨恢复场景的实物采集既贵又难扩展;仿真提供可重复的同策略探索、同起点的替代动作、失败与恢复。Steel 针对的正是「把不同任务、场景与本体放在一起仿真」的成本。文章自己的示意图把常规仿真评为可扩展性高、多样性低,并把「配合 Steel 达到高多样性」明确标为研究目标,且注明各档位为示意、未经过测量排序。物理 AI 学习路径给出周边阶段的次序。
第二种角色是批次设计。若团队能把运动控制、经典控制、关节密集的操作与接触密集的任务放进同一 GPU 批次,且无需把每个环境都填充到最大规模,那么课程编排、回放组成与评测套件就可以围绕「策略该学什么」组织,而不必迁就「仿真器跑什么最省力」。Open X-Embodiment、RoboTurk、RoboTHOR与 RoboCasa展示数据侧的组织方式,Isaac Sim 资产与 Universal Robots URDF展示模型侧。
第三种角色是耦合仿真与梯度工作流中的刚体一侧。发布演示把 Steel 与 VBD 线缆、布料、隐式 MPM 沙、VBD 软体通过 Newton 的耦合求解器配对,并展示可选微分步进用于无人机模型预测控制,以及实验性光滑接触模型用于优化小球抛射初速度;两项梯度特性均标注 Experimental。这支撑轨迹优化与短时域控制研究,前提是使用者记得:求解器的梯度是该求解器模型的梯度。JAX、NVIDIA Warp与 MuJoCo分别记录执行底座与接触模型的替代方案,Python 机器人学覆盖把策略接到控制器的工具链。
八、不适用场景与失效模式
最常见的失效是把吞吐当成物理保真度。每个已公布数字都是固定时间步、既定任务清单下的环境步/秒,没有一项测量接触精度、Sim-to-Real 迁移或策略成功率。发布材料里没有独立盲测,本文也不主张任何第三方复现。若训练轨迹的接触参数、摩擦与致动器动力学从未标定,策略可能收敛得很快却在真机上失败;域随机化与系统辨识能压缩这一差距,却无法消除它,物理仿真入门解释了这些建模假设。
第二类失效是丢掉测量条件。单任务结果依赖 reuse_kinematics=True 这一 Newton 1.8 的可选开关,异构测量因开启关节速度限制而没有启用;9.2 至 13.0 倍比较的是各引擎自身最佳批量,12.0 倍与 62% 显存节省则来自 61,440 个环境的匹配批量,把三者写成同一个「十三倍」属于误读。PhysX 6.0.0.0 在混合任务上最快可比 6.1 快约 2.7 倍,基线版本一换,比值就会明显移动。Cartpole 在 Steel 扫描被截断的条件下仍是 PhysX 胜出,PhysX 的 64K 材料上限也限制了部分混合曲线。经典求解器成本边界给出把这些事实随结果归档的纪律。
第三类是版本与平台风险。全部测量使用 Newton release-1.8 候选版 01ea1293,而 Newton releases 页面已列出 2026 年 11 月 12 日的稳定功能版 v1.8.0;部署稳定版时应当重跑基准,不宜直接引用候选版数字。Warp 1.18 需要 Turing 级 NVIDIA GPU 与 R580 以上驱动,旧驱动须把 warp-lang 固定到 1.17.0,macOS 仅支持 CPU,Python 3.10 已弃用并计划在 Newton 1.9 移除。NVIDIA Warp说明内核层的后果,MuJoCo记录 MuJoCo Warp 后端各自的限制。
还有三条边界值得留意。微分步进与光滑接触梯度标注为 Experimental,睡眠与约束岛目前是演示,均未被写成稳定契约;Steel 是 Newton 耦合求解器的刚体一侧,布料、线缆、沙粒与软体不是它的功能;许可分层包括 Steel 与 Newton 源码 Apache-2.0、Newton 文档 CC BY 4.0、newton/licenses 内的第三方条款,以及 steel-webgpu 随附机器人模型的 BSD-3-Clause 与 MIT 条款,只审查顶层许可就上线的部署并未完成合规工作。第九节记录上述每条陈述的出处,Skild AI 公司调研提供更完整的厂商风险图景。
九、版本与口径核对
记录一:发布文章题为《Steel: Scaling Simulation Across Robots, Tasks, and Worlds》,署名为 Skild Team 与 NVIDIA 合作,文章与博客索引只标「Nov 2026」;skild-ai/steel 的 README 把 2026 年 11 月 9 日写为开源发布日,NVIDIA 的 CoRL 公告把发布放在奥斯汀的 Conference on Robot Learning 现场。NVIDIA 把缩写写作全大写的 STEEL,Skild 自家材料用 Steel,两种写法并列记录而不合并。名称展开为 Scalable Throughput-optimized Engine for Embodied Learning,与材料「钢」无关。
记录二:本条目使用的官方文章地址是 skild.ai/blogs/steel,而 Steel README 另给出 skild.ai/steel 作为发布文章入口、skild.ai/steel/playground 作为演示入口。两个入口都在官方材料中出现,本文以前者为 source_url,不主张二者之间存在重定向关系。记录三:独立 skild-ai/steel 仓库按项目自述用于承载 README、发布海报与许可,实现在 newton/_src/solvers/steel,公开类名是 newton.solvers.SolverSteel;媒体称该仓库「主体是一份 README」与此结构一致。Newton README 另列出 steel_sleeping 与 steel_determinism_arms 两个示例。
记录四:测量说明把全部基准标在 Newton release-1.8 候选版 01ea1293 上,测量日期为 2026 年 11 月 7 日至 9 日;Newton releases 页面列出 2026 年 11 月 12 日的稳定功能版 v1.8.0、10 月 14 日的 v1.7.0,以及 v1.7.0rc1、v1.7.0rc2 两个预发布。因此这些数字描述的是候选版,本文不把它们当作稳定版已验证事实。记录五:reuse_kinematics=True 是 Newton 1.8 的可选开关,单任务套件启用;异构套件开启关节速度限制,该路径未生效。3.8 倍与 9.2 至 13.0 倍来自不同求解器配置,不作合并。
记录六:3.8 倍是 20 项单任务基准在各引擎最佳批量下的几何均值;13.0 倍是 20 类混合任务的峰值吞吐比;12.0 倍与 62% 显存节省是 61,440 个环境下的匹配比较。媒体摘要常把三者压成单一的「十三倍」,本文不采用这种写法。记录七:全部吞吐数字来自单张 RTX PRO 6000 Blackwell 的纯仿真测量,单任务套件排除观测、奖励与重置,每步同步设备,且明确不是端到端训练速度;NVIDIA 另给的 Isaac Lab 3.0 配 Newton 最高 2.5 倍训练吞吐,属于不同指标、不同基准。
记录八:Skild 博客的措辞是 Steel「拟与」Isaac Lab 集成,NVIDIA 的 CoRL 公告称 Isaac Lab 3.0 可在 PhysX 与 Newton 求解器之间切换,并把 Steel 描述为构建在 Newton 上以加速 Isaac Lab 中的机器人训练。两种说法并列记录,本文不主张任何生产级集成深度。记录九:许可分层按 Steel README、Newton README 与 steel-webgpu README 分别登记,包含文档 CC BY 4.0、newton/licenses 第三方条款以及随附模型的 BSD-3-Clause 与 MIT 条款,逐项保留不合并。
记录十:本站 Skild AI 公司调研写于 Steel 发布之前,其中「公司贡献在模型侧、仿真器依赖第三方、没有自有求解器」的判断对其覆盖范围成立,2026 年 11 月 9 日之后需要加上时间限定;本文不改写该报告。MuJoCo条目是配套记录,其 Warp 后端目前仍是 Newton 的主要物理后端。以上于 2026 年 11 月 12 日核实;Newton 后续再有新版本时,应先重查第三、六、八节,再把本条目引用于客户文档。
十、参考资料
- Skild AI,《Steel: Scaling Simulation Across Robots, Tasks, and Worlds》,skild.ai/blogs/steel,2026 年 11 月:第一至五节及完整「Measurement notes」基准配置。
- Skild AI,《skild-ai/steel 仓库 README》,GitHub,2026-11-09 开源发布、Apache-2.0 许可,以及 Newton 实现、WebGPU 移植与 Playground 的入口链接。
- Newton Physics,《newton-physics/newton 仓库 README》:Linux Foundation 治理、发起方、Warp 1.18 与 Python 要求、含
steel_sleeping与steel_determinism_arms的示例清单、许可分层。 - Skild AI,《skild-ai/steel-webgpu 仓库 README》:WebGPU 要求、
@skild-ai/steel-webgpu三个入口、Bun 开发流程、newton_export.py与随附模型许可。 - Skild AI,《Blog 索引》,skild.ai/blogs:Steel 条目 featured 且标注「Nov 2026」,与 S1、Physical Self-Play 等条目并列。
- NVIDIA,《Practice Makes Precise: At CoRL, NVIDIA and Partners Reveal How Robots Rehearse Delicate Work in Simulation》,blogs.nvidia.com,2026-11-09:Isaac Lab 3.0、PhysX 与 Newton 求解器切换、2.5 倍训练吞吐与 STEEL 发布。
- Newton Physics,《GitHub Releases 页面》,github.com/newton-physics/newton/releases:v1.8.0(2026-11-12)、v1.7.0(2026-10-14)及 v1.7.0rc1、v1.7.0rc2 预发布。
- Newton Physics,《CHANGELOG》1.8.0(2026-11-12)与 1.7.0(2026-10-14)条目,由 release notes 链接指向。
- Skild AI,《Introducing S1: In-Context Learning for Robotics》(2026-08-18)与《Physical Self-Play》(2026-09-23):Steel 文章所引的预训练与自-play 背景。
- AI Bacon,《Skild AI Open-Sources Steel, a Physics Solver for Robots》,2026-11-09:对发布、候选版状态与基准配置的二手报道。
- The Inference,《Skild AI open-sources its physics engine in Nvidia’s Newton》,2026 年 11 月:CoRL 发布与 3.8 倍至 13 倍数字的二手报道。
- 本站《Skild AI 公司调研报告》与《MuJoCo 工具条目》:用于厂商与物理引擎上下文的跨条目口径核对。