先把今天这件事的坐标放准

今天，宇树科技正式发布了 UnifoLM-WLA-1.0，官方给它的定位是”全球首个真正意义上能想、能看、能动的通用人形机器人基础模型”。

但如果你只看这句话，会误判。这不是一个从零冒出来的东西，而是一次”补齐 + 定型 + 交卷”。

把时间轴拉直看：9 月 8 日，宇树展示过两台人形机器人靠 UnifoLM-X2-1.0 全自主搏击，那个模型是 world-action 结构，没有 Language 层——它能感知、能预判、能出动作，但它不被语言显式地约束和调度。9 月 11 日，6B 参数、覆盖 64 项任务的基座模型已经先行开源。

所以今天真正新增的是三样东西：把 Language 层加回来了，正式发布并给出统一命名，放出可对比的基准成绩，并且扩大了开放范围。

这个坐标为什么重要？因为它决定了我们今天该在哪一层激动。如果以为是”宇树突然做出了通用机器人大脑”，那激动错了地方；如果看到的是”一个 6B 模型把 64 项真实物理任务装进同一套架构、还敢放出空间理解的硬指标、并且愿意开放权重”，那才是今天真正值得写的东西。

WLA：把”看—想—动”从流水线改成一条回路

WLA 这三个字母，是 World（世界）、Language（语言）、Action（动作）。

过去做机器人任务，主流做法是三段式流水线：先看，识别出”桌上有个瓶盖”；再想，规划出”手应该移到哪里、施加多大力”；最后动，把规划翻译成关节轨迹。这条链路每一段都是独立模块，每一段都有自己的误差，误差还会沿着链路累积。更要命的是延迟——三段串起来，反应时间被拉长。

WLA 的改动不是把三段做得更好，而是把具身推理、未来动态区域预测、动作生成塞进同一个框架。它的顺序变了：先理解当前环境，再预测接下来可能发生什么，然后才生成动作。

这个顺序上的差别，在具身场景里是致命的。举个具体例子：拧瓶盖。如果只做”识别瓶盖→规划→执行”，模型看到的是一张静态图。但真实的拧瓶盖，你要预判的是——手转多少度之后瓶身会不会跟着滑、桌面会不会晃、水会不会因为角度变化而溅出来。没有”预测接下来会怎样”，动作就是盲的。

所以 WLA 里那个 W（World），不是”世界模型”的时髦标签，它是动作的前置条件。先把未来几帧的动态区域预测出来，动作才有了依据。

架构上也对应得很清楚：多模态主干 + 动作专家模块。一个负责看懂、听懂，一个负责把”理解”翻译成”动作”。主干偏认知，专家偏执行，分工明确但共享同一套表示——这就是它和”三个独立模块拼起来”的本质区别。

一个 6B 模型通吃 64 活：变的是生产单位

这是我认为今天最该被反复讲的一点。

这 64 项任务分成两半：54 项精细桌面操作——端茶倒水、开关抽屉、拧瓶盖、叠毛巾、收纳餐具、摆盘、倒垃圾、把衣服放进洗衣机、整理床铺、厨房和浴室的整理；另外 10 项全身协调运动——下台阶、跨越障碍、单脚站立。

过去行业里怎么干这些活？给每个动作单独训一个策略。开抽屉一个策略，拧瓶盖一个策略，叠毛巾再一个策略。每个策略都要单独采数据、单独调、单独部署。这套做法像什么？像写代码时一个文件一个文件地手写，每个文件都要从头搭一遍脚手架。

而”一个 6B 模型覆盖 64 项任务”，等价于 coding agent 领域里从”逐文件手写”迁移到”一个 harness 调度 agent”。

请注意，这不是效率提升，这是生产单位变了。以前的生产单位是”一个动作一个策略”，现在的生产单位是”一套可迁移的表示 + 一个调度层”。前者的边际成本是线性的——多加一项任务就多训一个模型；后者的边际成本是递减的——任务越多，共享表示越厚，新任务的迁移越容易。

这也解释了为什么”6B”这个数字本身就是新闻。它不是精度指标，它是架构主张。

6B 的另一层意义：大脑得长在身体上

6B 极小。对于一个大语言模型来说小得不像话，但对于一个要在物理世界里跑闭环的机器人来说，这个尺寸意味着它可能跑在机体本地的边缘算力上，而不是依赖云端数据中心。

这一点比参数量本身重要得多。

现在绝大多数 agent 是”云端推理”的：你发一句话，请求飞到数据中心，模型算完再飞回来。这种做法在聊天场景里没问题，因为延迟是几百毫秒还是一秒，人类感知不明显。但机器人端茶倒水的场景里，一次云端往返的一百毫秒，可能就是把茶水洒在客人身上的差别。

还有三个更现实的问题：机器人是移动的，网络覆盖天然不稳定，进了电梯、地下室、工厂车间就容易断；摄像头采集的视觉数据往云端传，隐私和带宽都是负担；如果机器人要进家庭和工厂，按调用量付费的云端推理成本根本撑不住规模化。

所以”6B”是一句部署层面的判断：小到可以本地闭环，才谈得上真的进物理世界。我们今天见到的很多”具身智能”演示，背后其实是把云端的智力和本体的动作拼在一起，一旦断网就瘫。WLA 这个尺寸选择，是在往相反的方向走。

不挑手、还放权重：这是生态卡位，不是慈善

再看两个工程上很有意思的细节。

第一，不挑硬件。它兼容低成本的二指夹爪，也原生支持 Shadow Dexterous Hand、Allegro Hand 这类主流五指灵巧手。这意味着模型能力不被机械臂型号锁死——换句话说，它想成为”模型即服务”（MaaS）里那个被调用的模型，而不是绑定某一台机器的私有固件。

第二，开放策略。项目主页已经上线，部分模型权重和数据已经放开；后训练代码、UnifoLM-WLA-Base 权重、全身遥操作数据集、操作数据集，都列进了”后续开放”的计划。

把这两件事放一起看，动机就清楚了：这是生态卡位。

谁的基础模型被最多的硬件厂商和开发者采用，谁就定义了机器人”大脑”的接口标准。这是 Android 的剧本——不靠单机硬件赚钱，靠成为所有人都得兼容的那一层。而宇树的特殊之处在于，它既是本体厂又是模型厂，既有定义硬件的能力，又想做定义操作系统的那一层，差不多是把 NVIDIA 和 Android 合体。

一旦这个位置站住，后来者无论做本体还是做模型，都得先问一句”你兼容 UnifoLM 吗”。

但请诚实：64 项是挑过的，demo 不等于交付

写到这里必须泼一盆冷水，因为这是全文最不能省的部分。

这 64 项任务，是精心挑选过的，不是”通用”。“能覆盖 64 项任务”和”能覆盖任意任务”之间，隔着一整个泛化问题。这 64 项是设计者选出来展示能力边界上界的，不是从真实世界的任务分布里随机抽样的。

跨本体泛化也还没被验证。同一个模型，换一台结构不同的机器人、换一个完全没见过的厨房，还能不能干？权威媒体京报网在报道里明确提醒过：跨场景与跨本体泛化，仍需通过更多真实环境测试验证。这句话不能当客套话读，它就是当前最核心的未知数。

再看训练数据：约 2500 小时真机采集数据。这个量在今天的具身领域不算少，但放到”通用”这个目标面前，是很小的样本。具身推理底座则另用了 500 多万条具身推理样本，在开源视觉语言模型底座上训练——注意，这是”推理样本”，是认知层的养料，不能直接等同于”手能干活”的经验。

最后，呼应宇树自己提过的”80/80 安全线”：陌生场景完成 80% 的任务。这个标准听起来不高，但到今天也没有被普遍跨过，行业共识是还需要 2 到 10 年。

所以正确的读法是：发布会展示的是能力的上界，交付保障的是能力的下界。别把上界当成了已经落地的下界。

具身推理底座那个成绩，该怎么读

顺带说说今天放出的基准成绩，因为这块容易被误读。

具身推理底座叫 UnifoLM-ER-1-4B，基于 Qwen3-VL-4B 构建。在 16 项多模态感知与理解基准里，它在 RefSpatial-Bench、Where2Place、PixMo-Point、BLINK、EmbSpatial、RoboSpatial、VSR 这 7 项空间理解类榜单上拿下参评开源模型第一，部分空间理解指标甚至高于闭源旗舰——有榜单上是 82 分对 69 分，另一项是 88.9 分对 83.3 分，对标的是 Astra / Gemini-ER 2 级别的闭源模型。

怎么读这个结果？空间理解是”想”的地基。机器人要在物理世界里行动，“这个杯子在桌沿左侧 10 厘米""这个抽屉能拉出多少”这类空间判断是前提，地基分高说明技术方向是对的，选开源 VLM 底座 + 具身推理数据这条路线是走得通的。

但也要清楚：空间理解测试分高，不等于手能干活。它是必要条件，不是充分条件。今天真正难的部分，依然在从”想明白”到”做出来”那一段。

我的总体判断

今天这件事，我会放进”范式转移”那一栏，而不是”产品发布”那一栏。

它改变的是一条生产线：从”一个动作一个策略”，到”一个模型一套表示通吃 64 活”。它改变的是一个部署判断：机器人”大脑”可以放在机体本地，而不是云端。它改变的是一种商业模式：不锁本体、开放权重，去争”机器人界 Android”这个位置。

同时它也没有解决三个根本问题：跨场景泛化、跨本体泛化、以及从 demo 到交付之间那段又长又脏的路。

宇树今天把”能想、能看、能动”这三件事缝成了一条回路，这确实是一个台阶。但台阶不是山顶，发布会也不是交付。真正的验证，是这台机器人走进一个它没见过的房间，能不能把活干成。

其他动态

Artificial Analysis 给 Coding Agent 加了个”安全拒答”账本。其 Coding Agent Index v1.5 新增了对拒绝执行情况的记账，Claude Fable 5.1 在 Claude Code 环境回退率 8.8%、在 Devin Fusion 环境 7.1%，为参评最高。它的价值在于把”分数到底是来自能力，还是来自模型压根没干活”单独拎出来算——这是评测方法论上一件很实在的事。

华为云 CodeArts Agent 在马来西亚商用发布。包含 16 个专用 Agent，覆盖需求、架构、编码、测试、评审等环节，支持千万行级代码理解。中国 AI 编程工具第一次以完整产品形态成体系出海到东南亚市场。

腾讯发布”效率智能体工具集”。在 2026 腾讯云 AI 产业应用大会上线，含 WorkBuddy 企业版、ADP 4.0，覆盖 20 多个垂直场景。同日，2026 世界制造业大会在合肥开幕，近 2000㎡ 的机器人与具身智能展区中，墨甲”墨宝”首次发布。

微信公众号

欢迎关注「字与码」

如果这篇文章对你有用，也欢迎在微信里继续关注后续更新。

X

X / Twitter

关注 @ax2_zicode

更即时的技术观察、新文章提醒和一些短想法会发在 X 上。