不只強在硬件！宇樹6B具身大腦拿下7項開源SOTA，對標GPT-6 Astra

作者 | 江宇 編輯 | 漠影 全球具身智能的競爭，正從本體的比拼延伸到“大腦之戰”。谷歌Gemini Robotics 2喊出“一個大腦，適用於任何機器人”，英偉達Jim Fan更是拋出“VLA已死，世界動作模型當立”。誰能成為具身智能的新一代通用模型底座？國內，宇樹科技正在把這件事往前推一步。近日，宇樹新一代通用人形機器人基礎模型UnifoLM-WLA-1.0亮相，6B參數、約2500小時真機訓練，具身推理直接拿下7項開源SOTA，多項空間理解任務還反超GPT-6 Astra。同時，宇樹宣佈將開放模型、代碼和數據集。對於機器人而言，模型能力還是要落到真實任務中。

人形機器人什麼時候能進入更多真實場景，實現“通用勞動力”？宇樹正在試圖回答這一靈魂一問。UnifoLM-WLA-1.0單模型即可統籌64項任務，從疊毛巾、收納餐具，到鋪床、倒垃圾、把衣服放進洗衣機，驗證了其強大的模型泛化能力。而這背後藏著行業多年未解的老問題。過去的Demo多是單一任務、單一場景、高度定製，演示起來漂亮，換個環境就難複用，始終難以規模化。而一套模型能否覆蓋更多任務、更多場景，恰恰是機器人走向通用的重要一步。宇樹此舉，正試圖讓國產廠商成為“具身智能大腦”的定義者。一、拿下7項開源SOTA，比肩GPT-6 Astra：國產廠商搶“具身大腦”定義權 先看具身推理能力。

UnifoLM-WLA-1.0的具身推理底座是UnifoLM-ER-1-4B。該模型基於Qwen3-VL-4B訓練，使用超過500萬條具身推理樣本，在16項多模態感知與理解基準中有7項領先表中參評的開源模型。其中部分空間理解能力已經逼近甚至超過頭部閉源模型。在Where2Place、BLINK、CV-Bench和EmbSpatial等基準中，UnifoLM-ER-1-4B的部分成績高於GPT-6 Astra。以Where2Place為例，UnifoLM-ER-1-4B得分82.0，GPT-6 Astra得分69.0；在EmbSpatial上，兩者分別得分88.9和83.3。

對機器人來說，空間理解比單純聊天能力關鍵得多。看得懂東西在哪、怎麼擺、下一步會發生什麼，才談得上做得對，也才具備走進真實世界的資格。再看執行能力。UnifoLM-WLA-1.0把感知、推理、未來變化預測和動作生成連接起來，一個模型覆蓋64項任務，包括54項桌面操作和10項全身操作，並支持二指夾爪和多種五指靈巧手。桌面側，它能疊衣服、收納餐具、給電池充電、整理鉛筆盒； 全身側，它會倒垃圾、鋪床、整理鞋、把文件夾放進櫃子。把這些能力合起來看，宇樹正在嘗試把“具身智能大腦”概念變成一套可以在真機上驗證的模型體系。

這家公司不再只是本體強者，而是在搶開源生態話語權，對標“安卓之於手機”：底層能力保持開放，開發者圍繞其適配不同設備和場景，最終形成一個不斷擴大的生態。二、先預測“哪裡變”，再生成“怎麼動”，讓世界模型落到動作上 要取得這樣的成果並不容易。過去的VLA更像“看圖做動作”，看到物體、理解指令，再生成動作。但真實世界高度動態，一個動作往往會改變下一秒的環境，只對眼前這一幀做判斷，往往不夠。為此，宇樹把“具身推理+未來變化預測+動作學習”放進同一體系，讓機器人在動手之前，對動作可能帶來的變化形成判斷。其中一個關鍵設計，就是把“哪裡會發生變化”單獨拿出來學習。

宇樹首先利用光流，對機器人執行動作前後的畫面進行比較。比如機械臂包裝手機時，背景裡的桌子基本沒有變化，真正發生明顯變化的是機械臂、手機以及兩者發生交互的區域。模型不需要把下一幀畫面的每個像素都重新預測一遍，而是把注意力集中到這些因為機器人交互而發生變化的區域。隨後，這些變化區域被VQ-VAE壓縮成一串固定長度的離散Token。僅需給定當前畫面和任務描述（或將要執行的動作），模型就能直接預測出下一步哪些區域會變。宇樹將其稱為以交互為中心的世界建模（interaction-centric world modeling）。有了對未來變化的預測，下一步則是把這種理解真正接到機器人的動作上。

但機器人動作本身又比一句自然語言複雜得多。以人形機器人為例，一次看似簡單的“整理沙發抱枕”，就同時涉及手臂末端往哪裡移動、夾爪或者靈巧手如何開合，以及下半身如何配合調整姿態。如果把所有動作簡單塞進一個連續空間裡學習，不同身體部位之間的動作表達會非常複雜。宇樹幹脆把統一動作空間拆成三路：末端執行器位姿、末端執行器關節、下肢關節，各自用RVQ離散成Token。原本連續變化的運動軌跡，被翻譯成一套“動作語言”，機械臂怎麼走、手怎麼動、下半身怎麼配合，都有對應的Token，還按同一條時間軸同步輸入。

在UnifoLM-ER-1的基礎上，宇樹進一步把這些動作Token和前面的未來動態區域Token，與圖像、文字放進同一套表示空間，形成UnifoLM-ER-Flow。到這裡，模型既理解當前看到的世界，也能預測一次交互會讓哪裡變，還知道該採取什麼動作。但這離真正控制機器人，還差最後一步：離散Token適合模型理解和推理，真實機器人最終執行的卻是連續動作。於是到了UnifoLM-WLA-1.0，宇樹在UnifoLM-ER-Flow上加入MMDiT Action Expert，把模型對任務、未來變化和動作的理解，進一步解碼成機器人能真正執行的連續動作。

至此，一條完整鏈路形成了：機器人先預測哪裡會變，再生成怎麼動。世界模型由此參與動作生成，使人形機器人能夠把環境理解、變化預測和全身控制連接起來。三、2500小時真機數據背後：模型是公開牌，數據與場景是護城河 模型參數可以公開，真正難複製的是持續產生高質量機器人數據的能力。具身模型最大的門檻之一，是數據來自真實世界。原因在於，圖文數據可以按億為單位從互聯網上抓取，真機數據卻只能讓真實的機器人跑出來。2500小時高質量真機數據，相當於一臺機器人連續採集超過100天，而且每一幀都要真實、有效、能拿來訓練。UnifoLM-WLA-1.

0使用約2500小時真機數據訓練，數據覆蓋不同的機器人本體和作業場景。超過500萬條具身推理樣本覆蓋圖像點預測、物體檢測、多圖推理、2D軌跡預測、3D物體檢測和多圖空間問答，並與通用圖文數據共同訓練；約2500小時真機數據則用於WLA模型訓練。兩類數據對應不同訓練階段。真機數據既需要時間，也需要成規模的機器人產能。對只做模型的玩家來說，光是把機器人鋪開去採數據，就是一筆繞不開的硬投入。而另一大技術壁壘則是統一模型。

其把視覺、語言、動態區域Token和動作Token放進同一個多模態模型，再加入MMDiT Action Expert生成連續機器人動作，走出“多本體+統一動作空間”的路線，讓不同身體部位在同一時間步協同學習。所以，模型是公開牌，背後真機數據與持續產數據能力才是底牌。數據決定模型能否持續覆蓋更多任務和場景。隨著權重、代碼和數據逐步開放，開發者可以在64項任務之外繼續檢驗模型的泛化邊界，並開展二次開發和場景適配。這也意味著，宇樹提供的正在從一臺機器人，延伸到一套可以被反覆調用、適配不同任務的具身智能底座。

對行業客戶而言，這樣的底座一旦能夠被更多機器人、場景和開發者複用，其價值就不再侷限於單一硬件，而會進一步延伸到行業解決方案和平臺化能力。換句話說，開源“大腦”並沒有削弱宇樹的護城河，反而讓它進一步落到真機數據、真實場景和持續迭代能力上，再通過開放模型吸引更多開發者和生態夥伴加入。這條路跑通後，宇樹拿得出來的，是一套能持續進化、還能帶著生態一起走的底座。宇樹的前途，也由此越走越寬。結語：從定義身體到定義大腦，具身智能進入“生態卡位戰” 從四足到人形，宇樹過去一直以本體和運動能力被行業記住。如今，宇樹兩條腿走路，恰好踩在具身智能競爭的分水嶺上：拼硬件的競爭還在加碼，拼大腦、拼生態的階段也正在展開。

當模型參數和代碼都能公開，真正稀缺的是持續產出高質量真機數據的能力，以及圍繞這套體系聚集起來的開發者生態。如今，具身智能的“安卓時刻”，或許正在由國產廠商拉開帷幕。