寰球具身智能的竞争正规买球的app，正从实质的比拼延长到“大脑之战”。

谷歌Gemini Robotics 2喊出“一个大脑，适用于任何机器东谈主”，英伟达Jim Fan更是抛出“VLA已死，全国手脚模子当立”。谁能成为具身智能的新一代通用模子底座？

国内，宇树科技正在把这件事往前推一步。近日，宇树新一代通用东谈主形机器东谈主基础模子UnifoLM-WLA-1.0亮相，6B参数、约2500小时真机教师，具身推理平直拿下7项开源SOTA，多项空间理除名务还反超GPT-6 Astra。同期，宇树文牍将洞开模子、代码和数据集。

关于机器东谈主而言，模子智商如故要落到真是任务中。东谈主形机器东谈主什么时候能进入更多真是场景，扫尾“通用劳能源”？宇树正在试图恢复这一灵魂一问。

UnifoLM-WLA-1.0单模子即可统筹64项任务，从叠毛巾、收纳餐具，到铺床、倒垃圾、把穿着放进洗衣机，考据了其纷乱的模子泛化智商。

这背后藏着行业多年未解的老问题。往时的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，长久难以限制化。

而一套模子能否掩盖更多任务、更多场景，恰正是机器东谈主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”的界说者。

01.拿下7项开源SOTA，并排GPT-6 Astra：国产厂商抢“具身大脑”界说权

先看具身推明智商。UnifoLM-WLA-1.0的具身推理底座是UnifoLM-ER-1-4B。该模子基于Qwen3-VL-4B教师，使用提高500万条具身推理样本，在16项多模态感知与和谐基准中有7项当先表中参评的开源模子。

其中部分空间和谐智商还是贴近致使提高头部闭源模子。

在Where2Place、BLINK、CV-Bench和EmbSpatial等基准中，UnifoLM-ER-1-4B的部分获利高于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，两者分歧得分88.9和83.3。

对机器东谈主来说，空间和谐比单纯聊天智商关键得多。看得懂东西在哪、若何摆、下一步会发生什么，才谈得上作念得对，也才具备走进真是全国的阅历。

再看施行智商。UnifoLM-WLA-1.0把感知、推理、将来变化瞻望和手脚生成流通起来，一个模子掩盖64项任务，包括54项桌面操作和10项全身操作，并守旧二指夹爪和多种五指贤达手。

桌面侧，它能叠穿着、收纳餐具、给电板充电、整理铅笔盒；

全身侧，它会倒垃圾、铺床、整理鞋、把文献夹放进柜子。

把这些智商合起来看，宇树正在尝试把“具身智能大脑”主张变成一套不错在真机上考据的模子体系。这家公司不再仅仅实质袼褙，而是在抢开源生态话语权，对标“安卓之于手机”：底层智商保持洞开，开辟者围绕其适配不同设置和场景，最终酿成一个阻挡扩大的生态。

02.先瞻望“那里变”，再生成“若何动”让全国模子落到手脚上

要获得这么的遵循并辞让易。往时的VLA更像“看图作念手脚”，看到物体、和谐教唆，再生成手脚。但真是全国高度动态，一个手脚时时会篡改下一秒的环境，只对目下这一帧作念判断，时时不够。

为此，宇树把“具身推理+将来变化瞻望+手脚学习”放进吞并体系，让机器东谈主在脱手之前，敌手脚可能带来的变化酿成判断。

其中一个关键经营，便是把“那里会发生变化”单独拿出来学习。宇树来源期骗光流，对机器东谈主施行径作前后的画面进行相比。

比如机械臂包装手机时，布景里的桌子基本莫得变化，简直发生明显变化的是机械臂、手机以及两者发生交互的区域。模子不需要把下一帧画面的每个像素都从头瞻望一遍，而是把防御力结伙到这些因为机器东谈主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翻脸Token。仅需给定现时画面和任务刻画（或将要施行的手脚），模子就能平直瞻望出下一步哪些区域会变。宇树将其称为以交互为中心的全国建模（interaction-centric world modeling）。

有了对将来变化的瞻望，下一步则是把这种和谐简直接到机器东谈主的手脚上。

但机器东谈主手脚自身又比一句当然讲话复杂得多。以东谈主形机器东谈主为例，一次看似简便的“整理沙发抱枕”，就同期触及手臂结尾往那里出动、夹爪或者贤达手若何开合，以及下半身若何互助调整姿态。

要是把所有这个词手脚简便塞进一个连气儿空间里学习，不同体格部位之间的手脚抒发会相等复杂。

宇树干脆把统一手脚空间拆成三路：结尾施行器位姿、结尾施行器环节、下肢环节，各私用RVQ翻脸成Token。

正本连气儿变化的教唆轨迹，被翻译成一套“手脚讲话”，机械臂若何走、手若何动、下半身若何互助，都有对应的Token，还按吞并条时间轴同步输入。

在UnifoLM-ER-1的基础上，宇树进一步把这些手脚Token和前边的将来动态区域Token，与图像、笔墨放进吞并套暗意空间，酿成UnifoLM-ER-Flow。到这里，模子既和谐现时看到的全国，也能瞻望一次交互会让那里变，还知谈该聘请什么手脚。

但这离简直罢休机器东谈主，还差临了一步：翻脸Token合适模子和调和推理，真是机器东谈主最终施行的却是连气儿手脚。

于是到了UnifoLM-WLA-1.0，宇树在UnifoLM-ER-Flow上加入MMDiT Action Expert，把模子对任务、将来变化和手脚的和谐，进一步解码成机器东谈主能简直施行的连气儿手脚。

至此，一条齐全链路酿成了：机器东谈主先瞻望那里会变，再生成若何动。

全国模子由此参与手脚生成，使东谈主形机器东谈主能够把环境和谐、变化瞻望和全身罢休流通起来。

03.2500小时真机数据背后：模子是公开牌，数据与场景是护城河

模子参数不错公开，简直难复制的是持续产生高质地机器东谈主数据的智商。具身模子最大的门槛之一，是数据来自真是全国。

原因在于，图文数据不错按亿为单元从互联网上握取，真机数据却只可让真是的机器东谈主跑出来。2500小时高质地真机数据，相等于一台机器东谈主连气儿网罗提高100天，而况每一帧都要真是、灵验、能拿来教师。

UnifoLM-WLA-1.0使用约2500小时真机数据教师，数据掩盖不同的机器东谈主实质和功课场景。

提高500万条具身推理样本掩盖图像点瞻望、物体检测、多图推理、2D轨迹瞻望、3D物体检测和多图空间问答，并与通用图文数据共同教师；约2500小时真机数据则用于WLA模子教师。两类数据对应不同教师阶段。

真机数据既需要时间，也需要成限制的机器东谈主产能。对只作念模子的玩家来说，光是把机器东谈主铺开去采数据，便是一笔绕不开的硬参加。

而另一大技能壁垒则是统一模子。

其把视觉、讲话、动态区域Token和手脚Token放进吞并个多模态模子，再加入MMDiT Action Expert生成连气儿机器东谈主手脚，走出“多实质+统一手脚空间”的道路，让不同体格部位在吞并时间步协同学习。

是以，模子是公开牌，背后真机数据与持续产数据智商才是底牌。

数据决定模子能否持续掩盖更多任务和场景。跟着权重、代码和数据缓缓洞开，开辟者不错在64项任务以外延续检修模子的泛化范畴，并开展二次开辟和场景适配。

这也意味着，宇树提供的正在从一台机器东谈主，延长到一套不错被反复调用、适配不同任务的具身智能底座。对行业客户而言，这么的底座一朝能够被更多机器东谈主、场景和开辟者复用，其价值就不再局限于单一硬件，而会进一步延长到行业处治决策和平台化智商。

换句话说，开源“大脑”并莫得放松宇树的护城河，反而让它进一步落到真机数据、真是场景和持续迭代智商上，再通过洞开模子眩惑更多开辟者和生态伙伴加入。

这条路跑通明，宇树拿得出来的，是一套能持续进化、还能带着生态一皆走的底座。宇树的出路，也由此越走越宽。

04结语：从界说体格到界说大脑具身智能进入“生态卡位战”

从四足到东谈主形，宇树往时一直以实质和教唆智商被行业记着。如今正规买球的app，宇树两条腿步辇儿，正巧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张开。

当模子参数和代码都能公开，简直稀缺的是持续产出高质地真机数据的智商，以及围绕这套体系汇注起来的开辟者生态。

如今，具身智能的“安卓时刻”，省略正在由国产厂商拉开帷幕。（智东西）