机器人前瞻（公众号：robot_pro）

作者 | 许丽思

编辑 | 漠影

具身智能领域，VLA 这条赛道实在是太拥挤了。

Physical Intelligence、英伟达等头部公司的模型始终处在聚光灯下；前几天的 WAIC 上，各家具身公司密集上新多款 VLA 模型，展台里的机器人轮番表演叠衣服、装配零件、抓取物品和整理桌面，Demo 堪称 " 神仙打架 "。

VLA 战火也一路烧到各类 Benchmark，领先成绩隔三岔五就会被刷新。

这几天，我们注意到，全球具身智能领域权威榜单Evo-SOTA更新排名，来自优艾智合的 FabriVLA 在Meta-World MT50中以90.0%的 tier-average 成功率登顶第一。

先来说说这个榜单的含金量。Evo-SOTA 是当前具身智能领域最受关注的公开榜单之一，持续追踪全球 VLA 模型在 LIBERO、CALVIN、Meta-World 等多个国际标准基准上的最新成绩，收录了来自全球顶尖高校与科技公司的主流模型，所有成绩均以公开发表的论文为数据来源。

Meta-World MT50，则是该榜单中核心的多任务操作基准之一：其涵盖抓取、推动、开门、插销装配等 50 项各异的机器人操作任务，按简单、中等、困难、极难四个难度梯度划分，全面考察模型的多任务学习、精细操作和能力稳定性。

当然，Benchmark 第一还不能直接兑换成一张场景入场券。标准环境中的高分，与真实产线上的长期稳定运行之间，仍隔着设备差异、现场干扰和大量长尾问题。

FabriVLA 此次登顶更值得关注的地方，在于它提供了一条不同的技术思路：VLA 的进化未必只能沿着参数、数据和算力不断扩张。模型架构、训练效率，同样会影响能力上限。

接下来，我们就来拆解看看，这款参数量只有 0.89B 的模型，究竟靠什么跑到了第一？

一、当 VLA 越做越大，FabriVLA 却选择轻量化

现在的 VLA 研究，基本延续了大模型领域的 Scaling 思路，参数、数据和算力投入不断增加，试图以此来提升机器人在多任务环境中的泛化能力，业内熟悉的 π 0 拥有 3.5B 参数。

这条路线看起来很直观，却有一个问题没有得到普遍验证：VLA 基础模型继续扩大参数规模，究竟还能带来多大的性能提升？

这个问题到了机器人身上尤其现实。模型最终要进入机器人的控制闭环，每一次推理都会影响动作响应。参数不断膨胀，随之而来的训练成本、部署成本和推理时延，很可能成为模型离开实验室、进入边缘设备和产线现场的阻力。

FabriVLA 就选择了另一条路径。它以 0.89B 的参数量，在 tier-average 上以 90% 的成功率上超越了 π 0（3.5B，47.9%）、SmolVLA（2.3B，68.2%）、RoboTron-Mani（4B，77.7%）等参数规模数倍于己的模型。

即使放在同量级轻量模型中比较，它也同时领先于 TinyVLA（1.3B，31.6%）、Evo-1（0.8B，80.6%）、Evo-Depth（0.9B，84.4%）、LA4VLA（1B，87.5%）等。

FabriVLA 在多个不同的难度评测中没有出现明显的性能断层，这一点比单项最高分更值得关注。因为产线衡量机器人时更看重能力下限和异常任务中的失误概率，而不是理想条件下的平均表现。

关键是，FabriVLA 未依赖任何大规模机器人数据预训练，只通过单阶段联合训练即达成登顶成绩。0.89B 的轻量化设计，正是针对机器人实时闭环控制对推理时延与算力成本的约束，从而降低模型的部署门槛。

FabriVLA 在平面精密滑动、铰接接触驱动任务中均取得 95.7% 的成功率，插装抽取达到 93.3%；紧密插装和精密放置的成功率分别为 92.0% 和 91.7%。

这些精细操作任务瞄准的，正是工业自动化最难处理的最后几毫米。这些环节容错空间小、失败代价高，却往往是决定机器人能否进入半导体、锂电及精密制造中的核心工序。

据了解，优艾智合正在推进 FabriVLA 能力向工业原生人形机器人隙锋的迁移部署，接受真实工况的下一轮考验。

二、从 FabriVLA 到 FabriX，优艾智合打破 " 不可能三角 "

FabriVLA 获得了学术 benchmark 认可，验证了轻量级模型在多任务精密操作中的表现；而在今年 6 月，优艾智合推出的 FabriX，则是一项是面向真实工业场景的系统性工程。

在一个真实的工厂环境中，其实并不要求机器人泛化性有多强、能从事多少庞杂的工种，更看重稳定、精准与高效。但在技术层面，泛化能力、极致稳定和生产效率难以同时兼顾，这三者共同构成了工业具身智能的 " 不可能三角 "。

这就意味着，通用型模型在追求泛化的同时，所存在的" 大概率能做好 "是没法被工业现场接受的，工业现场需要的是一定能做好。

FabriX 由两部分组成：edge 端运行基于工业真机数据训练的多模态 MoE 基座模型，负责理解任务、调用专家并处理场景变化；local 端引入机理控制产生的确定性结果，为后训练提供可供性交互数据指引。

这两部分，就使得 FabriX 具备了工业级可靠、低样本迁移和大集群协作的底座能力。

在此基础上，FabriX 通过引入先验引导层，蒸馏出确定性数据，为动作扩散指明方向，在保留 AI 灵活度的同时为安全兜底。此外，FabriX 依托双回路逻辑校验层，对大模型输出结果进行确定性约束与核验，保障生产可靠性。

不过，一台机器人把动作做稳，只解决了局部问题。工业机器人在运行过程中，前后工艺高度相关，面临着多机器人协同带来的耦合阶数跃迁的问题。

对此，FabriX 采用中央、边缘与终端三层架构：中央层负责接收工业软件任务并完成订单排程，边缘层负责多机器人调度与长任务拆解，终端层负责原子技能学习与实时控制，从而让任务、设备与机器人形成闭环。

另外，FabriX 在设计上选择向上兼容 MES、MCS 与 WMS 等系统，向下兼容标准的工业化协议，对原有生产力实现无缝进化、升级，兼容不同工业场景中差异巨大的遗留系统。

总的来看，优艾智合打破 " 不可能三角 " 的关键，是将三种彼此牵制的能力拆解到 FabriX 的不同层级，通过模型、控制与系统架构的协同，让这三者从相互制约转向彼此支撑，这正是其区别于单一 VLA 模型的核心价值。

三、800 个场景筑起壁垒，下一步是复制到 10000 个现场

" 不可能三角 " 能否真正被打破，最终还得由真实产线验证。

工业现场的光线、设备规格、空间布局和操作流程各不相同，模型在落地前学到的能力，进入工厂后往往会遇到大量没见过的长尾问题。所以，真实工况中的成功、失败和异常情况，都是模型完成跨产线迁移的重要原料。

过去 9 年来，优艾智合服务了 400 多家领先企业、覆盖 50 余家世界 500 强、落地800 余个工业场景项目，客户复购率超 70%，累了深度的行业 Know-How，这是模型获得跨产线迁移与场景泛化能力的关键。

尤其是在半导体和能源化工这些高门槛行业中，优艾智合已进入十余家国内外晶圆厂，并服务头部电网和能源集团，这些对安全、精度和稳定性要求极高的客户，既验证了产品能力，也持续推动具身智能前沿技术与工业现场的深度融合，释放可量化的产业价值。

更重要的是，超过 70% 的复购率、头部客户的持续采购与行业认证，又会进一步优艾智合降低机器人进入同类工厂的信任成本，推动 " 场景产生数据—数据训练模型—模型驱动本体—本体落地现场 " 的飞轮加速运转。

工业原生人形机器人 " 隙锋 "，则是这套循环走向规模复制的具体载体。

隙锋全面承接 FabriX 模型能力，通过低样本量迁移技术，出厂时具备基础动作能力，到达工业现场通过最低 50 条数据采集训练，可达到 90% 的成功率，并以 24 小时为周期循环训练自身能力，就像一个 " 明日的熟练工 " 一样。

这样的低样本迁移的价值，在于压缩新工位的适配周期，减少工程师反复编程和调试。再结合 FabriX 对既有工业系统与标准协议的兼容，落地部署就更快了。

随着天演矩阵持续发布，优艾智合将聚焦于非结构化场景，进一步赋能数据机房运维、半导体 Sub Fab 运维、戈壁风电光伏巡检及柔性生产等工业通用任务。

对于未来的落地节奏，优艾智合提到，要实现"3 年 10000 个工业现场 "。这个目标虽然听起来很大，但是看了优艾智合过去的来时路后，就会知道这不是空喊口号。

10000 个工业现场，考验的是产品标准化、交付效率、供应链和售后服务等一整套规模化能力。而过去 9 年逐一啃下的 800 余个场景，正是优艾智合迈向万级复制最重要的底盘。

结语：工业具身智能，最终要在现场见真章

FabriVLA 登顶 Benchmark，验证了轻量级 VLA 在多任务、精密操作上的潜力；但对工业客户而言，真正的评价标准仍是机器人能否长期稳定运行，并满足节拍、安全与成本要求。

从 FabriVLA 到 FabriX，优艾智合正在尝试跨过从学术 SOTA 到工业生产力的关键一步。基于多年以来的实践，优艾智合正在把高度非标的现场经验，沉淀为可以迁移和复用的标准能力，为工业具身智能摆脱 " 一场一策 " 提供新的可能。

让机器人去理解千差万别的现场，让工厂无需为智能化大刀阔斧地改造，这或许正是具身智能真正深入工业腹地、释放产业价值的最现实的路径。