智东西

作者 | 江宇

编辑 | 漠影

全球具身智能的竞争，正从本体的比拼延伸到 " 大脑之战 "。

谷歌 Gemini Robotics 2 喊出 " 一个大脑，适用于任何机器人 "，英伟达 Jim Fan 更是抛出 "VLA 已死，世界动作模型当立 "。谁能成为具身智能的新一代通用模型底座？

国内，宇树科技正在把这件事往前推一步。近日，宇树新一代通用人形机器人基础模型 UnifoLM-WLA-1.0 亮相，6B 参数、约 2500 小时真机训练，具身推理直接拿下 7 项开源 SOTA，多项空间理解任务还反超 GPT-6 Astra。同时，宇树宣布将开放模型、代码和数据集。

对于机器人而言，模型能力还是要落到真实任务中。人形机器人什么时候能进入更多真实场景，实现 " 通用劳动力 "？宇树正在试图回答这一灵魂一问。

UnifoLM-WLA-1.0 单模型即可统筹 64 项任务，从叠毛巾、收纳餐具，到铺床、倒垃圾、把衣服放进洗衣机，验证了其强大的模型泛化能力。

而这背后藏着行业多年未解的老问题。过去的 Demo 多是单一任务、单一场景、高度定制，演示起来漂亮，换个环境就难复用，始终难以规模化。

而一套模型能否覆盖更多任务、更多场景，恰恰是机器人走向通用的重要一步。宇树此举，正试图让国产厂商成为 " 具身智能大脑 " 的定义者。

一、拿下 7 项开源 SOTA，比肩 GPT-6 Astra：国产厂商抢 " 具身大脑 " 定义权

先看具身推理能力。UnifoLM-WLA-1.0 的具身推理底座是 UnifoLM-ER-1-4B。该模型基于 Qwen3-VL-4B 训练，使用超过 500 万条具身推理样本，在 16 项多模态感知与理解基准中有 7 项领先表中参评的开源模型。

其中部分空间理解能力已经逼近甚至超过头部闭源模型。

在 Where2Place、BLINK、CV-Bench 和 EmbSpatial 等基准中，UnifoLM-ER-1-4B 的部分成绩高于 GPT-6 Astra。以 Where2Place 为例，UnifoLM-ER-1-4B 得分 82.0，GPT-6 Astra 得分 69.0；在 EmbSpatial 上，两者分别得分 88.9 和 83.3。

对机器人来说，空间理解比单纯聊天能力关键得多。看得懂东西在哪、怎么摆、下一步会发生什么，才谈得上做得对，也才具备走进真实世界的资格。

再看执行能力。UnifoLM-WLA-1.0 把感知、推理、未来变化预测和动作生成连接起来，一个模型覆盖 64 项任务，包括 54 项桌面操作和 10 项全身操作，并支持二指夹爪和多种五指灵巧手。

桌面侧，它能叠衣服、收纳餐具、给电池充电、整理铅笔盒；

全身侧，它会倒垃圾、铺床、整理鞋、把文件夹放进柜子。

把这些能力合起来看，宇树正在尝试把 " 具身智能大脑 " 概念变成一套可以在真机上验证的模型体系。这家公司不再只是本体强者，而是在抢开源生态话语权，对标 " 安卓之于手机 "：底层能力保持开放，开发者围绕其适配不同设备和场景，最终形成一个不断扩大的生态。

二、先预测 " 哪里变 "，再生成 " 怎么动 "，让世界模型落到动作上

要取得这样的成果并不容易。过去的 VLA 更像 " 看图做动作 "，看到物体、理解指令，再生成动作。但真实世界高度动态，一个动作往往会改变下一秒的环境，只对眼前这一帧做判断，往往不够。

为此，宇树把 " 具身推理 + 未来变化预测 + 动作学习 " 放进同一体系，让机器人在动手之前，对动作可能带来的变化形成判断。

其中一个关键设计，就是把 " 哪里会发生变化 " 单独拿出来学习。宇树首先利用光流，对机器人执行动作前后的画面进行比较。

比如机械臂包装手机时，背景里的桌子基本没有变化，真正发生明显变化的是机械臂、手机以及两者发生交互的区域。模型不需要把下一帧画面的每个像素都重新预测一遍，而是把注意力集中到这些因为机器人交互而发生变化的区域。

随后，这些变化区域被 VQ-VAE 压缩成一串固定长度的离散 Token。仅需给定当前画面和任务描述（或将要执行的动作），模型就能直接预测出下一步哪些区域会变。宇树将其称为以交互为中心的世界建模（interaction-centric world modeling）。

有了对未来变化的预测，下一步则是把这种理解真正接到机器人的动作上。

但机器人动作本身又比一句自然语言复杂得多。以人形机器人为例，一次看似简单的 " 整理沙发抱枕 "，就同时涉及手臂末端往哪里移动、夹爪或者灵巧手如何开合，以及下半身如何配合调整姿态。

如果把所有动作简单塞进一个连续空间里学习，不同身体部位之间的动作表达会非常复杂。

宇树干脆把统一动作空间拆成三路：末端执行器位姿、末端执行器关节、下肢关节，各自用 RVQ 离散成 Token。

原本连续变化的运动轨迹，被翻译成一套 " 动作语言 "，机械臂怎么走、手怎么动、下半身怎么配合，都有对应的 Token，还按同一条时间轴同步输入。

在 UnifoLM-ER-1 的基础上，宇树进一步把这些动作 Token 和前面的未来动态区域 Token，与图像、文字放进同一套表示空间，形成 UnifoLM-ER-Flow。到这里，模型既理解当前看到的世界，也能预测一次交互会让哪里变，还知道该采取什么动作。

但这离真正控制机器人，还差最后一步：离散 Token 适合模型理解和推理，真实机器人最终执行的却是连续动作。

于是到了 UnifoLM-WLA-1.0，宇树在 UnifoLM-ER-Flow 上加入 MMDiT Action Expert，把模型对任务、未来变化和动作的理解，进一步解码成机器人能真正执行的连续动作。

至此，一条完整链路形成了：机器人先预测哪里会变，再生成怎么动。

世界模型由此参与动作生成，使人形机器人能够把环境理解、变化预测和全身控制连接起来。

三、2500 小时真机数据背后：模型是公开牌，数据与场景是护城河

模型参数可以公开，真正难复制的是持续产生高质量机器人数据的能力。具身模型最大的门槛之一，是数据来自真实世界。

原因在于，图文数据可以按亿为单位从互联网上抓取，真机数据却只能让真实的机器人跑出来。2500 小时高质量真机数据，相当于一台机器人连续采集超过 100 天，而且每一帧都要真实、有效、能拿来训练。

UnifoLM-WLA-1.0 使用约 2500 小时真机数据训练，数据覆盖不同的机器人本体和作业场景。

超过 500 万条具身推理样本覆盖图像点预测、物体检测、多图推理、2D 轨迹预测、3D 物体检测和多图空间问答，并与通用图文数据共同训练；约 2500 小时真机数据则用于 WLA 模型训练。两类数据对应不同训练阶段。

真机数据既需要时间，也需要成规模的机器人产能。对只做模型的玩家来说，光是把机器人铺开去采数据，就是一笔绕不开的硬投入。

而另一大技术壁垒则是统一模型。

其把视觉、语言、动态区域 Token 和动作 Token 放进同一个多模态模型，再加入 MMDiT Action Expert 生成连续机器人动作，走出 " 多本体 + 统一动作空间 " 的路线，让不同身体部位在同一时间步协同学习。

所以，模型是公开牌，背后真机数据与持续产数据能力才是底牌。

数据决定模型能否持续覆盖更多任务和场景。随着权重、代码和数据逐步开放，开发者可以在 64 项任务之外继续检验模型的泛化边界，并开展二次开发和场景适配。

这也意味着，宇树提供的正在从一台机器人，延伸到一套可以被反复调用、适配不同任务的具身智能底座。对行业客户而言，这样的底座一旦能够被更多机器人、场景和开发者复用，其价值就不再局限于单一硬件，而会进一步延伸到行业解决方案和平台化能力。

换句话说，开源 " 大脑 " 并没有削弱宇树的护城河，反而让它进一步落到真机数据、真实场景和持续迭代能力上，再通过开放模型吸引更多开发者和生态伙伴加入。

这条路跑通后，宇树拿得出来的，是一套能持续进化、还能带着生态一起走的底座。宇树的前途，也由此越走越宽。

结语：从定义身体到定义大脑，具身智能进入 " 生态卡位战 "

从四足到人形，宇树过去一直以本体和运动能力被行业记住。如今，宇树两条腿走路，恰好踩在具身智能竞争的分水岭上：拼硬件的竞争还在加码，拼大脑、拼生态的阶段也正在展开。

当模型参数和代码都能公开，真正稀缺的是持续产出高质量真机数据的能力，以及围绕这套体系聚集起来的开发者生态。

如今，具身智能的 " 安卓时刻 "，或许正在由国产厂商拉开帷幕。