当「把积木放进碗里」的任务指令，分别下达给部署在真实机械臂上的 GPT-6 Astra 和 Claude Fable 5.1 时，在 20 次测试中，二者的成功次数分别为 19 次和 8 次，对应成功率 95% 和 40%。但当任务细化为「把拼图块插入对应的凹槽」时，GPT-6 Astra 的成功率滑落至 10%。

这是近期独立第三方机器人基准测试平台 Robocurve 公布的一项实测结果。结果表明，顶尖大模型已经展现出操控物理设备的能力，但在精细操作层面仍存在短板。而这也是具身智能落地真实场景亟待突破的难题：机器人不仅要能听懂指令，更需要具备感知环境、理解空间、自主决策的能力。

在这一背景下，具身智能赛道的头部企业正试图给出解题思路。9 月 10 日，宇树科技宣布完全开源新一代通用人形机器人基础模型 UnifoLM-WLA-1.0，该模型依托大规模通用多模态感知与理解数据，融合以交互为中心的世界建模，全面提升空间感知与理解能力。在多项具身推理评测中，其表现领先国内外开源模型，亦可比肩头部闭源模型，标志着通用人形基础模型领域迎来重要突破。

2500 小时真机数据训练，单模型覆盖 64 项任务

过去数年，机器人模型的训练大多聚焦单项任务、单一机器人本体及固定操作场景。一旦更换任务或调整环境，往往需要重新采集数据并进行训练。当前，NVIDIA GR00T、Figure Helix、Physical Intelligenceπ系列等具身智能基础模型，均致力于提升跨任务、跨环境与跨本体迁移中的泛化能力。打造通用「具身大脑」、打通多场景作业能力，已经成为行业角逐的焦点。

宇树科技也着力提升模型的泛化能力、数据利用效率和强化学习的规模效应。宇树科技宣布开源 UnifoLM-WLA-1.0，代码、模型权重与数据集将陆续开放。据公司介绍，该模型参数量为 6B，利用 2500 小时高质量真机采集数据训练，覆盖多种机器人本体与作业场景，包括宇树开源数据以及第三方机器人数据。一套模型即可完成 64 项差异化任务。模型兼容二指夹爪与两类灵巧手，支持不同末端执行器切换。

根据宇树给出的真机实验结果，搭载该模型的机器人可协同调动双臂、末端执行器与下半身，完成包括 54 项桌面操作任务以及 10 项全身移动操作任务。桌面场景涉及收纳餐盘、电池充电等需要精细操作的任务；全身移动操作则延伸至垃圾处理、鞋子整理、沙发整理以及在较大空间范围内取放物品等场景。

这种「一模驱动、全身协同」的设计，不仅降低了针对不同机器人本体和特定场景的训练成本，还显著提升了模型在开放环境中的指令理解能力和跨任务泛化能力，有望为通用人形机器人的规模化落地奠定技术基础。

多项具身推理指标领先，让机器人「理解世界」

机器人要在真实环境中实现「看得懂、摸得准、干得稳」，离不开对物理世界的感知与理解能力。譬如，机器人执行整理房间、铺床、整理厨房物品等任务时，往往需要根据物体状态和空间位置调整动作；当物体被移动、折叠或拿起后，环境也会随之发生改变，后续决策需要建立在更新后的场景状态之上。

围绕这一问题，宇树科技为 UnifoLM-WLA-1.0 设计了一套「具身推理+未来变化预测+动作学习」体系：机器人既要理解当前看到的空间和物体，也要预测一次交互可能让场景中的什么地方发生变化，再生成具体动作。

具身推理层面，宇树科技介绍，作为 UnifoLM-WLA-1.0 的具身推理模块，UnifoLM-ER-1-4B 基于 Qwen3-VL-4B，采用超过 500 万条训练数据，覆盖图像点预测、目标检测、多图推理、2D 轨迹预测、3D 目标检测及多图空间问答等任务，并与通用图文数据混合训练，在保持通用视觉语言能力的同时，全面提升具身场景下的空间理解与推理能力。

根据宇树科技公布的 16 项多模态感知和理解评测结果，UnifoLM-ER-1-4B 在 7 项评测中领先其他模型。例如，其在 Where2Place 测试中取得 82.0 分，比 GPT-6 Astra 高出 13 分；Pixmo-Point 为 73.8 分，BLINK 达 93.4 分，EmbSpatial 为 88.9 分，反映出模型在空间感知、场景理解等维度的系统性优势。

除了全面提升空间理解与推理能力，UnifoLM-WLA-1.0 进一步强化机器人的「预测」能力，让机器人在行动前「多想一步」。宇树科技介绍，模型以图像以及任务描述或动作为条件，预测未来场景的动态区域；训练过程中，使用光流提取未来场景变化区域作为监督信号，得到 UnifoLM-ER-Flow 模型。通俗而言，该模型让机器人不仅能理解环境，也能想象和预测环境将如何变化，并生成可执行的行动策略。

在离散动作学习方面，宇树将统一动作空间划分为末端执行器位姿、末端执行器关节量和下肢运动关节量三个部分，再通过残差矢量量化（RVQ）模型将连续动作转化为离散 token。不同身体部分的 token 按照共享时间步对齐后送入模型，从而学习末端执行器位姿、夹爪或灵巧手关节以及下肢动作之间的协同关系。简单来说，这一步是把机器人连续、丝滑的动作「拆解」成一个个可被模型学习和复用的动作单元，就像把一段视频拆成关键帧来学习。

上述架构设计，构成该模型「理解世界，连接行动」的基础。通过感知理解、交互结果预测和动作生成三个环节，UnifoLM-WLA-1.0 让人形机器人在面对现实环境和复杂指令时，具备更强的适应性与决策稳定性，推动具身智能从「认知智能」向「行动智能」进阶。

人形机器人迈入「大脑竞赛」阶段，宇树加码具身智能模型

宇树科技创始人王兴兴在 2026 世界机器人大会上表示，当前全球人形机器人产业最大的瓶颈是具身智能的泛化能力不足，核心问题在于 AI 模型的输入输出与真实物理世界的对齐程度不够。

实际上，宇树科技近年来持续攻坚具身大模型、场景数据采集与分析、强化学习等关键技术，同时布局 WMA（World-Model-Action，世界模型-动作）与 VLA（视觉-语言-动作架构）两大技术路线。按照公司规划，其目标是逐步具备场景泛化、指令泛化、动作泛化与任务泛化能力，并形成「云端模型训练—端侧推理执行—线上数据采集」的闭环。

宇树科技这一动作并非孤例。当前，全球科技巨头正加速布局物理 AI 赛道，行业竞争的焦点已从单一的硬件性能比拼，转向以数据规模、算法泛化能力及多模态理解为核心的「大脑」较量。

在这一进程中，开源生态已成为推动技术普惠与快速迭代的关键力量。此前，宇树科技已分别开源了通用 WMA（世界模型-动作）大模型「UnifoLM-WMA-0」和通用人形机器人操作的视觉-语言-动作 (VLA) 大模型「UnifoLM-VLA-0」。

此次公司完全开源 UnifoLM-WLA-1.0，不仅展示了其在具身智能「大脑」领域的硬实力，更有望构建「工具链—开发者—应用—数据」的生态闭环，吸引更多开发者参与底层算法优化与场景应用创新，加速人形机器人从实验室走向千行百业。（财经网）

来源：互联网