文｜孙柏阳 蒲明琪

当前产业已迈过量产节点，硬件方案基本定型，发展重心已逐渐从硬件层零部件迁移至软件侧的具身模型-影响着具身智能的智能化程度和动作执行效果，其模型能力也决定着具身智能的应用场景边界和终端需求，是决定后续产业发展节奏和发展阶段的关键变量。

摘 要

迈过量产节点后，产业发展的重心已迁移至具身模型。当前产业已迈过量产节点，硬件方案基本定型，发展重心已逐渐从硬件层零部件迁移至软件侧的具身模型-影响着具身智能的智能化程度和动作执行效果，其模型能力也决定着具身智能的应用场景边界和终端需求，是决定后续产业发展节奏和发展阶段的关键变量。

具身模型：身处前GPT时代，多路线并行发展，迷雾中前行，离理想目标存在较大差距。正如2017年Transformer提出后、GPT收敛前的大模型行业：多路线并行、胜负未分、迷雾中前行。当前具身模型对于如何实现机器人理想的“稳定、准确、强泛化、跨场景”智能化能力存在三条路线的尝试：（1）大小脑分层：大脑大模型负责高层级规划+小脑技能库执行具体动作；是成熟度高、特定任务和特定场景落地较快的方案，但能力上限低、泛化能力弱；（2）VLA：重构了动作表达与动作生成，是当前的主流布局路线，但长时任务与分布外场景仍是短板；（3）世界模型：先想象、再决策、后执行，最接近“理解物理世界"的远期形态，但尚处初期。

具身智能模型路线的收敛需等待两大基石的归位。参考大模型的收敛历史，收敛需要两块基石。（1）“三大要素”：数据墙-核心是指模型训练数据，目前具身模型缺乏海量标准化数据，训练成本高；表征墙-缺乏类似“预测下一个词”的统一任务目标，模型能力无法跨任务、跨场景、跨本体沉淀；闭环墙-物理试错代价高、反馈慢，行业缺少统一评测标尺，迭代无法自驱。（2）收敛方向的“指路牌”：大模型在满足三堵墙的前提下，出现Scaling Law法则才开始收敛，当下具身模型类Scaling Law的收敛法则尚未出现，路线正确性无从验证，产业只能多线分散试错。

国内外厂商多路线布局探寻具身模型理想答案。国内厂商：（1）优必选：多路线+行业垂类模型同步布局，从初代Thinker基座、Thinker-VLA迭代至开源Thinker、Thinker-WM世界模型及行者具身智能模型，优必选具身模型兼顾技术泛化与整机工程落地；（2）宇树科技：WMA世界模型与VLA双线并行，2026年7月最新推出的世界模型UnifoLM-OminiA-0.3主要采用视频预测的路线；（3）银河通用：分层模型、VLA一体化、世界模型三线同步推进。国外厂商：（1）Physical Intelligence：坚持VLA技术路线；（2）Figure AI：聚焦VLA分层技术路线，已在工业和消费场景实现部署；（3）英伟达：围绕基础模型研发，推出GR00T系列与Cosmos世界模型深度绑定整机生态。

风险提示

技术迭代不及预期、安全和隐私法规影响、道德因素。
正 文

前言：量产新阶段下，具身智能模型成为产业发展重要制约项

人形机器人产业当前已迈过规模化量产节点，进入新发展阶段。目前在具身智能硬件侧方案已基本确定，叠加软件端已具备初级智能化能力进而实现场景应用的背景下，多家具身智能厂商已逐渐迈过量产节点。

具身模型能力决定产业从1到100的发展速度，产业瓶颈正从硬件制造转向软件侧模型。从具身模型功能定位来看，具身智能模型相当于机器人的大小脑，目前已共同承担高层级的任务规划、外部多模态数据感知处理、低层级的运动控制与动作执行等功能，因此具身智能模型不仅决定机器人的智能化水平，还决定着其任务落地的实际执行效果。从产业发展角度看，行业已迈过量产节点，硬件零部件方案已基本定型，产业的重心正逐渐转移至具身智能模型环节，具身智能模型的能力成为决定产业发展速度的关键因素。

具身模型的发展现状：身处前GPT时代，多条技术路线并存前行，尚未找到最优方向。

具身智能自概念提出以来具身模型发展迅速，虽然相较于产业初期当下的模型能力已有显著的提升，但离理想的“自主、准确、可靠”的能力要求还相差甚远，具身模型仍有较长的路需要去探索、前行；并且当下已形成前GPT时代的技术分化格局—大小脑分层、VLA模型和世界模型三条路线并行发展，无论从三大收敛的基础条件还是类Scaling law性质的“指路牌”来看，当下具身模型也不存在技术收敛的基础。

具身模型是产业当下的重心，跟踪、预判具身模型的发展现状及趋势，也即把握产业当下的进程与发展速度，因此本篇报告将系统性梳理具身智能模型的发展历史、当下主流技术路线及主要厂商布局情况。

一、具身模型：迷雾中前行，当下处于前GPT时代

我们认为当下人形机器人具身模型的发展状况正如面壁智能的姚远在2026 WAIC当中所表述的：产业处于前GPT时代。前GPT时代具体是指2017年Transformer提出后到2020年GPT-3推出后的这一时期，在此期间BERT、GPT、T5三条大模型路线并存发展交替前行，但互相又各有优劣，技术路径未收敛；而当下的具身模型与前GPT时代相似，同样面临多路线并行、尚未收敛的局面。

（一）以史为鉴：从群雄逐鹿的前GPT时代看当下具身智能模型的所处阶段

Transformer为革命起点，奠定前GPT时代三条并行技术路径的技术基底。根据Ashish Vaswani等人的论文，2017年6月Google在论文《Attention is All You Need》中提出Transformer架构，以自注意力机制取代了传统的循环神经网络结构，Transformer和RNN相比最核心的区别在于前者可以并行计算（区别于后者一个字一个字读），进而使模型具备了消化极大量级语料的可行性；其次，自注意力机制也能更好地理解同一句子中两个不同位置词之间的联系，打开了人工智能的能力上限。

大模型的推出使机器人拥有了智能化“大脑”，是具身智能的起点。在大模型技术较为成熟之前，具身智能概念较为弱化，更加偏向各类型机器人产品的硬件层，其通过预设程序或遥控方式执行固定任务；而大模型使机器人自主理解环境和执行泛化任务成为可能，让其拥有了智能化“大脑”；同时机器人也是大模型最佳的现实物理载体，大模型+机器人形成的具身智能使大模型拥有了改造现实物理世界的能力。

Transformer之后，逐渐分化为BERT、GPT和T5三大主流路径。在Transformer推出后，各模型以其为基础采用了不同的框架策略，进而分化为三大主流路径。根据Open AI在2018年6月的论文，以Decoder-only框架策略的OpenAI发布了GPT-1，在当时12项任务中的9项刷新最好成绩。根据Google在2018年10月的论文，Google发布以Encoder-only框架策略的BERT，后续其改进模型持续刷榜，成为当时的主流模型之一。根据2019年10月Google和Facebook发布的论文，以Encoder-Decoder为框架策略的Google的T5与Facebook的BART相继发布，同规模下其在多数任务上优于Decoder-Only。

三条技术路线的本质差异在于自注意力方向和任务形式。

（1）Encoder-only（BERT为代表）：根据Google在2018年10月的论文，Encoder-Only模型仅保留了Transformer的编码器部分，预训练时让模型根据左右两侧的上下文猜出被遮盖的词，可近似理解为“完形填空”的能力，但其任务目的与真实应用场景存在较大的需求错配，未形成技术收敛。

（2）Decoder-Only（GPT系列为代表）：根据Open AI在2018年6月的论文，该技术路线仅保留解码器部分，只能看到左侧前文，任务为根据前一个词预测下一个词是什么，可近似理解为“词语接龙”。根据智东西公众号，该模型的缺陷主要体现于在参数规模较小的情况下能力弱于其他路径，在参数规模未跨越临界点前，未展现其能力的质变，被视为“笨办法”。

（3）Encoder-Decoder（以T5、BART为代表）：根据2019年10月Google发布的论文，该技术路线保留完整的编码器和解码器结构，编码器理解完整输入，解码器生成输出，任务为输入一段文字、输出一段文字的翻译形式，结构较为完整。根据Thomas Wang等人在2022年9月发布的论文，虽然该技术路径结构完整，但是在同等算力下，可训练的参数量是纯解码器的一半，成本端显著劣势。

机器人尤其是人形机器人被认为是大模型的最佳物理载体之一，而具身智能模型是在传统大模型和机器人运动控制算法的基础上的延伸发展，现已成为决定机器人智能化程度的关键。具身模型与传统多模态大模型相比，其不仅需要处理多模态信息，还需完成任务和动作规划，最终输出关节指令来控制机器人的运动。

当下具身智能模型与Transformer推出后的发展阶段相似，正处于多路线并行且尚未收敛的状态。大模型使机器人仿佛看到了其先前所缺失的智能化“大脑”，因此在大模型技术收敛之后，具身智能模型逐渐分化为分层运控模型、VLA模型、世界模型三条主流路径。

具身智能技术由大小脑分层路线逐渐向VLA和世界模型演进。早期由于机器人运动控制已相对成熟，而大模型更擅长语义理解与高层规划，因此产业首先采用分层控制架构；根据Google 2022年的论文，在2022年大模型路线逐渐成熟后SayCan率先发力，其采用大小脑分层框架的思路，模型通过语言模型结合预训练机器人技能完成任务。随后，VLA开始重构动作表达和生成，将视觉、语言与动作统一建模，根据Google在23年7月的论文，其推出的RT-2为该路线的代表模型。进入2024年世界模型逐步受到关注，根据MIT科技评论官网和英伟达官网，世界模型视频生成路线快速发展，Google的Genie在 2024 年发布，NVIDIA的Cosmos在2025 年初跟进，现已成为重要的具身智能模型技术路线之一。

（二）从大模型的收敛历程看具身智能模型的发展方向

路线收敛的先决条件1：大模型的收敛需先满足数据、任务表征和闭环训练及评价的三大底层要素。根据华必选AI检测认证公众号，智元机器人联合创始人姚卯青在WAIC 2026“智启具身”论坛上的表述，物理AI（也即具身智能）要从“能演示”走向“能干活”、实现规模化，必须依次突破数据墙、表征墙、闭环墙，而大模型在明确的收敛方向出现前就已满足这三大基础条件。

（1）数据墙：是指可供模型训练的大规模且标准化的数据。规模化模型迭代的首要壁垒是数据供给，需具备低成本、超大规模且标准化的特点。NLP（自然语言处理）赛道具备天然的底层数据优势，其依托全网公开文本即可完成训练，为大模型依托规模法则持续迭代，并且提供核心数据原料。

（2）表征墙：是指?跨任务、跨场景、跨本体的统一物理表征。不同于早期AI需要为不同场景定制专属模型与训练方案，?NLP赛道以“预测词”的预训练为通用范式，该范式依靠一套统一表征即可覆盖全场景需求，为行业技术路线的统一收敛提供了核心技术基础。

（3）闭环墙：是指模型训练的真实试错成本与行业统一评价标准两大底层壁垒。其一，试错成本极低，模型可通过低成本预训练持续迭代，无需高额物理交互开销。其二，迭代规律清晰，Scaling Law让技术迭代可预判、可外推，大幅减少无效试错。其三，评价体系统一，行业形成标准化量化评测机制，可横向对标、精准量化模型能力。同时，底层算力、训练框架、部署生态高度统一，规避硬件差异对技术迭代的干扰，最终形成投入可预判、性能可量化、迭代可自驱的正向闭环，推动技术路线快速收敛定型。

收敛的先决条件2：清晰的前进路线，Scaling Law指明了模型持续迭代和能力快速进步的方向。根据Jared Kaplan等人的论文，2020年初Kaplan团队提出Scaling Laws，Scaling Law证明Decoder Only路线可以形成“数据越多、能力越强、资源越集中”的正反馈闭环，该规律将大模型训练从经验试错变为可计算的确定性投入，训练效果可事前量化外推，因此在Scaling Law规律得到验证后三大路线迅速完成技术路线归一。

2019年GPT-2是Scaling Law的起点，20年GPT-3验证后产业进入快速收敛阶段。根据Alec Radford等人的论文，参数量达15亿的GPT-2不再依赖下游任务微调，仅凭预训练习得的能力，便能以零样本方式直接适配各类新任务。根据Jared Kaplan等人的论文，2020年1750亿参数问世的GPT-3具备里程碑意义，其核心价值实证了Scaling Law的落地可行性，GPT-3无需权重更新与微调，仅依靠推理阶段示例即可完成全新任务。2021年后，全球头部模型基本统一为该架构，行业技术路线格局正式定型。

根据Long Ouyang等人的论文，2022年ChatGPT上线并快速突破亿级月活，叠加标准化训练范式成熟，最终推动Decoder-Only架构完成技术范式、产业落地、商业应用的全面统一与主流化。

具身模型和传统大模型相比，虽然实际工作载体与模型输出结果存在显著差异，但两者都需要通过大量数据训练学习，并未脱离软件侧模型的本质，因此传统大模型的收敛经验可以迁移至具身智能模型赛道。

对比GPT的收敛路径和两大先决要素，具身智能模型当前在数据、表征、闭环三个基础维度均有所欠缺，且行业暂未出现如同Scaling Law法则一样的“方向指路牌”，因此路线暂未出现收敛趋势。

（1）数据墙：标准化海量数据供给缺失，规模化迭代无从启动。具身智能模型训练通常需要真机数据采集或高质量的视频数据，其与成本线性绑定，难以低成本规模化复制，仿真数据因受物理引擎保真度制约。因此真机数据和仿真数据都无法撑起统一、同质、海量的数据底座，赛道在迭代起点即受阻。

（2）表征墙：统一通用范式缺位，模型能力无法跨域沉淀。GPT以“预测词”作为准确的任务目标，隐式覆盖翻译、问答、推理、代码等语言任务；而具身智能模型没有形成统一的动作训练与输出范式，模型能力也通常限制在单一任务与单一本体上，无法跨场景迁移复用。

（3）闭环墙：物理试错高成本、慢反馈，未形成行业统一评价标准。GPT依托数字场景实现零成本高频试错、标准化评测闭环迭代；而具身智能依托真实物理场景试错，失败代价高昂、迭代效率较低。同时行业量化评价体系种类较多，模型性能较难横向对标，无法形成可规模化、可自驱的迭代闭环，彻底阻滞赛道技术收敛。

更进一步，赛道尚未出现一块类Scaling Law的 "指路牌"，路线正确性无从验证。Scaling Law对GPT的核心价值在于其可外推的幂律关系确认了Decoder-only路线的正确性，为全行业给出明确的前进方向。当下具身模型既未具备收敛的三个先决条件，也未出现产业“类Scaling Law”的收敛法则，在此背景下产业只能沿多条路线分散试错，短期无法实现路线收敛。

立足当前产业阶段，我们将在下文系统梳理具身智能三大主流技术路线的底层逻辑、优劣势与迭代现状，对比海内外头部厂商模型落地进展，为研判人形机器人智能化演进节奏提供参考。

二、三大路线的并存发展：大小脑分层、VLA和世界模型

具身智能模型当前主流路径按照模型框架可以划分为大小脑分层模型、VLA模型与世界模型三类。大小脑分层模型凭借“小脑”运动控制技术的较为成熟，具备特定场景快速应用的优势，但能力上限低，是产业早期的技术路线；VLA从动作表征和动作生成两个维度重构了分层模型的“技能包”动作，是产业当前的主流路线之一；世界模型更加贴近“类人”的理想状态，可以“理解”物理世界，是当前的新兴且主流路线。

（一）大小脑分层模型：技术成熟度高但泛化性弱，具身场景快速落地应用的较优选

大小脑分层模型的由来：初期较为成熟的运控能力与大模型感知规划能力的分层结合。在大模型技术出现前，机器人的运动控制技术已较为成熟，根据果壳公众号，2017年波士顿动力的人形机器人就可实现后空翻动作；宇树在2021年的四足机器人产品中就积累了运动控制能力，在后续推出的人形机器人产品中能力有所延续，展现出优异的运动性能。因此，在2022年大模型技术爆发后，行业率先构建起大小脑分层的架构：让大模型充当“大脑”负责高层级感知和规划，让既有的运动控制能力封装成“技能库”当“小脑”负责执行。

大小脑分层为产业初期的主流路线。大小脑分层路线是产业初期的主流选择，初期的典型模型是2022年4月Google发布的SayCan，根据深蓝AI公众号，以SayCan完成“我撒了可乐、帮忙清理一下”指令为例，系统的决策流程是LLM（大脑层面的大模型）先对技能库的每个候选技能打分，随后再执行分数最高的技能并将执行结果返回给LLM再规划下一步。根据深圳大学可视计算研究中心和智元公众号，后续Google进一步推出PaLM-E，2023年5月Meta推出ImageBind模型。

传统“小脑”运控模块已逐渐淡出技术主线，但分层的思路框架有所延续。近年来虽然严格意义上的大小脑分层模型已逐渐淡出，“技能包”属性的小脑运控模块已逐渐发展为更多元的动作表达和生成，但行业仍有在新模型路线中延续分层的思路在。以优必选的BrainNet为例，根据深圳发布公众号，其采用云端超级大脑结合个体边缘小脑的分层结构；根据Figure官网，以Figure的Helix为例，分层架构在VLA路线中也有所延续，Helix采用了S2、S1的分层架构，其中S2为VLM模型，S1负责低级控制。

大小脑分层路线是短期商业化应用落地的较优选。大小脑分层路线凭借较为成熟的“小脑”环节，在进行针对性任务训练后可在特定场景尤其是ToB的规范封闭场景中可实现快速落地。以Figure为例，其核心Helix模型采用双系统分层框架，根据人形机器人场景应用联盟公众号，2025年下半年搭载Helix模型的机器人就已在家庭场景应用，11月Figure就已经表示Figure02就已在BMW工厂连续部署11个月。以华为为例，根据具身智能头条公众号，2025年华为发布的CloudRobo平台中同时具备具身规划大模型即“大脑”和执行大模型即“小脑”，搭配CloudRobo模型的机器人已经在多种工业领域中实现应用。

低泛化能力与分层信息传递困难导致的低能力上限。分层模型赢下的是当下特定场景的确定性，但输掉的是长期能力扩展的上限，低泛化能力和分层信息的传递局限导致大小脑分层并不是具身模型的最终答案。根据Google的RT-1论文，在分层架构的大脑都采用SayCan的情况下，搭配Gato的执行器在陌生厨房环境中成功率为0%，搭配BC-Z也仅有13%，即便是表现最好的RT-1执行器，整体成功率也被锁定在67%。根据Google的RT-2论文，在GoogleDeepMind的泛化性评测中，VLA模型RT-2在未见过物体、未见过背景、未见过环境三类场景的平均成功率均显著优于大小脑模块分层方案的MOO。

（二）VLA模型：对动作表达和动作生成的彻底重构

VLA模型：VLA即视觉-语言-动作模型，本质在动作环节进行了重构。VLA模型和大小脑分层的核心差异在于动作表征（动作的软件层表达形式）和动作生成脱离了原先“技能包”形式，以较为早期的VLA模型Google的RT-2模型为例，根据Google在2023年发布的论文，RT-2模型将机器人的动作离散为256种，每种都可以表示为token，而且其会与视觉语言数据联合训练微调。根据张文涛等人的论文，新的动作表征VLA模型框架通常由视觉、语言编码器和动作解码器三个部分组成，前两部分获取处理相应信息后通过Transformer架构融合推理出动作表征，最后再由解码器输出具体运动指令。

VLA模型的动作表征与动作生成策略分别有2条和3条主流路径，两两结合下当前细分路线较多。

1. 动作表征：根据张文涛等人的论文，VLA模型的动作表征主要分为离散动作表征和连续动作表征。以RT-2为例，其将机器人的动作具体细分为256种动作，这种就是离散动作表征，离散动作表征虽然是VLA技术早期开创新的核心思想，但是长远来看离散的动作表达会缺失精度，而且面临能力上限低、推理慢和成本高的局限；连续动作表征简而言之更接近坐标或关节旋转角度的连续表示。

2. 动作生成策略：VLA模型的核心环节，主要分为自回归生成、非自回归生成、混合生成策略三种。

（1）自回归生成：自回归的原理是根据语言指令、历史机器人的状态以及历史离散化的动作，按照概率链算法，按顺序、一步一步地生成每一个离散化的动作序列。自回归方式是VLA模型的开山之石，但是离散化的动作生成使其动作精度有限。

（2）非自回归生成策略

非自回归生成-CVAE：在训练时该模型将专家动作压缩至低维隐向量，在生成时模型根据视觉和指令抽取特定隐向量解码出特定动作。

非自回归生成-扩散生成：在训练阶段模型向真实动作序列注入噪声，之后再去噪声还原真实动作序列，在生成时则从去噪声开始，一步步还原成可执行的动作序列（类似于图片的扩散生成策略，先给图片加马赛克像素点，然后一点点擦去，还原出真实图片）；该策略由于需要多步去噪声，因此推理速度较慢。

非自回归生成-流匹配：该生成策略是通过学习一个能将简单噪声分布直接引导至复杂真实动作分布的向量场（可以较为通俗的理解为多维空间中，A向量如何一步步走到执行动作的B向量）；该策略相比扩散生成策略来说效率提升明显。

（3）混合生成：该生成策略是在一个统一的VLA模型中结合两种或者多种不同生成策略的架构设计，进而达到取长补短的效果。

离散动作表征+自回归生成是VLA早期最具代表性的动作生成方式之一。根据google deepmind官网，2022年5月DeepMind发布Gato，将机器人动作离散化为Token；根据张文涛等人的论文，Google的RT-1被认为是具身模型VLA路线的开创新节点；2023年，RT-2进一步将视觉语言模型与机器人动作输出结合。更进一步Gato、RT-1和RT-2都同时属于自回归生成策略，在此之后离散动作表征+自回归生成策略成为重要VLA路线之一。

非自回归生成与连续动作表征结合，扩散生成和流匹配逐渐成为23年以来的主流方向。根据斯坦福大学等机构的联合研究，2023年4月，斯坦福大学团队提出ACT，基于CVAE与Transformer直接生成动作块，随后扩散生成成为重要发展方向。根据哥伦比亚大学 Song Lab 团队的相关研究，2023年3月，Diffusion Policy将条件扩散模型用于机器人动作生成，通过迭代去噪建模多模态动作分布;根据Liu等人的研究，2024年10月，清华大学团队进一步推出RDT-1B，采用Diffusion Transformer;24年起VLA路线进一步出现流匹配生成路线，根据Black等人的研究，2024年10月Physical Intelligence推出π0，将视觉语言模型与流匹配结合，后续流匹配生成策略成为VLA重要方向之一。

此外，如何组合不同生成策略也成为新的探索方向。根据Liu等人的研究，2025年3月，HybridVLA.尝试将自回归与扩散生成结合于统一架构，以发挥不同生成机制的互补能力

VLA虽提升了端到端泛化能力，但在长时任务和分布外场景中仍存在明显瓶颈。根据Stanford等人在2025 年论文，OpenVLA 在标准 LIBERO 基准上的平均任务成功率为76.5%，经优化微调后可提升至97.1%，说明VLA在已知任务和相近场景中已具备较强执行能力。但现有VLA 模型擅长单步技能，长时序任务存在组合泛化差、级联失败的缺陷，根据Yue Yang等人在2026年论文，π0.5在视觉干扰的原始任务序列上的成功率可达83%，针对性优化方案的成功率为78%，在改变任务顺序变化后，π0.5整体成功率随下降至42%，但针对性优化方案成功率有所上升；但进一步在长流程测试中，即使是原顺序π0.5和OpenVLA的成功率就已下降至0%，针对性优化方案也出现了显著下降，这表明VLA并不擅长长时序任务。

（三）世界模型：能够理解物理世界的远期方案

世界模型：理解物理世界的理想路线。世界模型的核心逻辑是先想象、再决策、最后执行，世界模型先在机器人内部构建一个能模拟物理规律的“世界”，根据当前视觉、指令和机器人状态，提前预测未来几秒会发生什么、动作会带来什么结果，再从所有可能的推演中选出最安全、最合理的动作。它不直接输出动作，而是通过预测环境变化来指导动作，让机器人具备预判、规划和长时序任务能力，适合复杂、不确定、需要连续推理的真实场景。

世界模型出现时间较为落后，但是是当前产业的重点发力方向。世界模型在具身智能概念出现前就有提出，但我们认为实际针对具身智能世界模型的推出可以以英伟达的Cosmos为起点。根据英伟达技术博客，英伟达在2025年1月发布的Cosmos开放世界基础模型是较为早期的世界模型；后续该技术路径关注度持续提升，根据deepmind官网，Google在2025年8月推出可以实时交互的通用世界模型Genie 3；根据宇树科技招股书及深蓝具身智能公众号，国内的宇树科技和智元机器人分别在25年下半年和26年下半年推出各自的世界模型UnifoLM-WMA-0和GE-Act。

如何看待当下世界模型在多技术路线当中的竞争地位？

我们认为世界模型路径当下仍处于初期阶段。从模型能力、训练成本和评测标准三个维度来看，我们认为当下世界模型路线暂未成为最终收敛的技术路径。（1）模型能力：当前世界模型多数是通过视频数据来训练，预测也主要以视频结果来呈现，没有力觉、触觉等其他多模态数据，因此并没有真正的理解物理世界。（2）训练成本：当下世界模型的训练并没有准确的定性数据，根据机械之心公众号，Figure AI仅在线上采集1600万条数据就已支付1500万美元，训练出真正理解多模态的物理世界并实现机器人本体的控制行动的世界模型成本将指数级增长。（3）评测标注：世界模型当下缺乏公正的批判标注，如果仅从定性来看，世界模型决策逻辑确实更贴近于现实世界，但并不能证明其实际效果一定优于其他路线。

世界模型与其他技术路线或已进入相互融合的阶段。从产业趋势来看，世界模型正在向具身智能的数据生成、策略训练与闭环决策底座演进，并逐步与VLA等技术路线融合。随着动作条件世界模型、世界动作模型等方向持续推进，世界模型的定位正由辅助训练模块向“感知—预测—决策—执行”一体化能力延伸。

三、国内外厂商：攻坚具身大模型，多路线布局探寻“理想答案”

分层模型、VLA一体化、世界模型三条技术路径均有厂商布局，目前世界模型为行业核心投入方向。从主要厂商来看，目前以Figure AI、逐际动力、智元为代表的厂商优先选择短期商业化落地更加容易的分层运控架构，同时布局VLA或世界模型等前沿方向；Physical Intelligence、特斯拉依托自身数据积累，主攻VLA路线，但VLA细分技术方向有所不同；优必选、银河通用等厂商在三类技术路线上均有布局；英伟达则聚焦世界模型路线；Google DeepMind采用高层推理分层搭配VLA执行的技术方案。

（一）国内具身大模型：技术路线布局多样化，多家厂商加速迭代验证

1．优必选：多路线+行业垂类模型同步布局

优必选围绕人形机器人整机落地需求构建完整的具身AI软件栈，兼顾技术创新与工程落地可行性。根据优必选2025年度年报，公司没有单一押注某一条技术路线，采用高层语义基座+VLA行动生成+世界模型推演的分层架构思路，把大模型能力和传统运动控制算法进行结合，以此平衡机器人运行稳定性与智能泛化水平。

公司在25年9月发布初代闭源Thinker基座与Thinker?VLA模型，可完成机器人第一视角空间感知与连续动作生成；根据优必选2026年半年报，公司在2026年2月发布开源版Thinker基座，在视觉语言理解基础上强化机器人任务规划能力；公司在26年5月自研的Thinker?WM世界模型正式对外发布，登顶Libero评测榜单，借助物理推演降低真机试错成本；26年6月公司发布Resonance?LM情感大模型，针对消费级产品优化人机交互体验；根据优必选科技公众号，26年8月公司发布行者具身智能模型。

2．宇树科技：WMA与VLA双线并行，从工业试点切入消费场景

宇树科技持续加码具身大模型研发布局，自研UnifoLM系列模型迭代节奏较快。根据公司招股书，自2024年起，公司逐步加大具身大模型研发投入，确立世界模型（WMA）、VLA视觉语言动作模型双路线并行的研发策略，已落地多款支持开源、真机部署的模型成果。

根据公司招股书，2025年9月公司发布首款世界模型UnifoLM-WMA-0，可模拟机器人与环境交互的物理规律；2026年1月推出首款VLA模型UnifoLM-VLA-0，在图文理解能力基础上集成动作预测模块；2026年2月，自研工业级具身大模型UnifoLM-X1-0在自有工厂完成试点真机测试；2026年5月发布WVLA2.0具身专用大模型；2026年7月推出UnifoLM-OminiA-0.3。

公司持续加大具身大模型方向布局力度，目前已更新迭代发布多款公司自研大模型。UnifoLM-WMA-0是宇树科技首款开源世界模型，可涵盖多种机器人实体，专为通用机器人学习设计。该模型整体运行框架为：先整合机器人状态、环境画面与人类指令多模态信息，经由决策型世界模型与动作模块推演生成预测画面及连续动作指令；随后将动作方案送入仿真世界模型完成效果校验，仿真反馈数据可回流前端迭代模型，校验通过的指令最终下发机器人完成实操。

根据宇树科技官网，具体而言，该模型具备两大关键功能：（1）仿真引擎：作为交互式模拟器生成合成数据用于机器人学习;（2）策略增强：连接动作头，并通过预测未来与世界模型的交互过程，进一步优化决策性能。

实机部署演示中，任务的实现可近似理解为环境-动作决策-生成视频-执行动作等四个流程的重复循环。根据Unitree宇树公众号，UnifoLM-WMA-0模型展示了其在实机部署中完成木块以红黄绿的顺序叠落、整理橡皮和笔以及将黑色相机放入包装盒三个任务。以叠木块任务为例，表观来看，任务的执行流程为世界模型先识别当前的任务环境然后做出下一动作决策（仅为一小步动作），之后生成执行该动作决策后的实际效果视频，在经过视频确认后，机械臂才实际进行该动作决策，之后进入到下一个决策循环，也即“环境理解-动作决策-生成预测视频-执行动作决策”的四个流程循环。

3．银河通用：三线同步推进，以世界-动作模型打通VLA融合训练

银河通用聚焦具身大脑基座研发，围绕“大脑?小脑?神经控制”架构迭代多款自研具身大模型成果。公司自2024年起持续加大具身模型研发资源投入，现已在分层模型、VLA一体化、世界模型三条技术路线同步推进，形成适配多类机器人本体、支持真机部署的模型矩阵。

根据银河通用官方公众号，公司在2025年1月发布GraspVLA抓取VLA模型，依托十亿帧仿真训练数据实现物体零样本抓取；根据人民网，2025年10月ICCV会议上公司公开WAM初代原型，提出世界?动作模型技术范式，打通VLA与世界模型融合训练路径；根据EEWORLD官网，2026年3月正式推出AstraBrain银河星脑全脑基座，完成Galbot G1轮式人形机器人真机验证；根据北京市科委官网，26年6月公司同步对外发布AstraBrain?WBC 0.5小脑运控基础模型与AstraBrain?WAM 0.5世界?动作模型，分别负责全身运动协同与环境物理推演；根据银河通用官网及北京青年报客户端，26年7月银河通用发布AstraBrain?Dex灵巧手世界模型，针对精细物体交互任务完成专项能力优化。

（二）海外具身大模型：VLA与世界模型并行探索，开源基座快速演进

1．Physical Intelligence：纯端到端VLA，以跨本体泛化拓宽能力边界

Physical Intelligence聚焦具身VLA基座研发，坚持端到端一体化技术路线迭代自研具身大模型成果。根据Physical Intelligence官网，公司自2024年起持续投入模型研发，以VLA端到端架构为主线持续迭代，打造可跨机器人硬件部署的开源具身基座。

根据Kevin Black等发布的《π0: A Vision-Language-Action Flow Model for General Robot Control》，公司在2024年10月发布π0基础VLA模型，基于VLM+Flow-Matching动作专家架构，实现跨机器人本体的基础任务执行；根据Karl Pertsch等发布的论文，公司在2025年2月推出π0、π0-FAST，引入FAST动作分词器，训练速度提升5倍，支持离散化动作输出；根据Kevin Black等发布的论文，公司在2025年4月发布π0.5，采用知识绝缘训练范式，保留大模型原有语义能力，强化开放环境零样本泛化；根据Ali Amin等发布的论文，公司在2025年11月推出π0.6，引入RECAP强化学习框架，依托机器人试错交互与人工反馈完成模型自我迭代，实操任务完成量实现翻倍；根据Physical Intelligence官网，公司在2026年4月发布π0.7可引导式VLA基座，支持重组已有技能生成全新复合任务，适配无对应训练样本的陌生机器人本体，持续拓宽端到端VLA模型泛化边界。

π0.5、π0.7为新一代基于知识绝缘范式构建的VLA模型，主打跨机器人本体实操交互场景，可兼容多类型机械臂与人形机器人硬件，能够在未见过的机器人平台上直接完成任务。根据PI官网，其整体运行框架为：实时采集图像、自然语言指令、机器人本体状态三类多模态输入信息，分别经由图像编码器、文本编码器完成特征提取并融合输出多模态特征；多模态特征传递至动作专家模块，生成机器人连续动作指令，驱动机器人执行交互任务。训练阶段引入梯度阻断层，动作侧产生的连续动作损失不会反向回传更新VLM视觉-语言主干，以此保护模型原有视觉与语言知识不被动作任务破坏。

具体而言，π0.5、π0.7框架具备两大核心设计特点：（a）VLM主干与动作专家解耦训练：视觉语言主干负责环境感知与语义理解，动作专家实现多模态特征到连续动作的映射，梯度阻断机制隔离动作任务对基础大模型知识的负面影响；（b）跨硬件泛化设计：统一建模图像、语言、机器人状态多模态输入，动作专家输出连续关节动作，无需针对不同机器人本体大规模重训，降低新硬件适配成本。

2．Figure AI：时序解耦架构持续迭代，从工厂部署迈向家庭零样本

Figure AI聚焦人形机器人VLA基座研发，围绕分层时序解耦架构迭代多款自研具身大模型成果。根据Figure AI官网，公司自2024年起持续加码具身智能研发投入，以分层时序解耦VLA为主线持续迭代，打造适配人形机器人整机、支持真机落地的Helix模型序列。2025年2月推出初代Helix模型，采用S1+S2双层架构，由S2高层VLM完成语义任务拆解，S1中层视觉运动策略生成对应动作；根据厂商技术发布会，2026年1月发布Helix 02，升级为S0+S1+S2三级架构，实现行走+操作一体化，可替代十万行手写机器人底层控制代码；2026年9月推出Helix2.5，在三级架构基础上进一步迭代升级，可在从未采集数据的陌生家庭环境中完成家务任务。

Figure AI的Helix2.5采用三层分级VLA双系统架构，分层处理不同时间尺度的感知、规划与控制任务。根据Figure AI官网，System2为高层推理模块，作为“慢脑”解析自然语言指令与视觉场景，完成长时序任务目标拆解；System1为高速动作策略网络，完成双臂操作、移动等动作生成；System0为底层实时控制器，保障机器人平衡、接触协调与姿态稳定。模型基于Index人类行为数据集预训练，不依赖场景专属微调，可直接在陌生家庭中执行家务任务，实现全身级别的零样本跨环境泛化，实测家务任务整体成功率56%。

3．英伟达：仿真数据筑底，GR00T＋Cosmos绑定整机生态

英伟达聚焦机器人具身智能模型研发，围绕VLA、世界模型方向迭代多款机器人基础模型成果。公司持续投入机器人多模态模型研发，从VLA双系统架构逐步演进至MoT时序Transformer架构，面向人形机器人真机操控场景持续迭代模型能力。

根据NVIDIA开发者网站，公司在2025年3月发布Isaac GR00T N1，采用VLA双系统架构，基于仿真合成数据训练，支持人形机器人完成抓取、物品搬运等基础操作；根据NVIDIA官方研究网站，公司在2025年6月推出Isaac GR00T N1.5，作为VLA双系统架构迭代版本，优化多模态对齐与语言指令跟随能力，扩大训练数据集，提升双臂灵巧操作性能；2025年12月发布Isaac GR00T N1.6，沿用VLA双系统架构，升级VLM主干与扩散动作模块，模型推理速度显著提升；2026年3月推出 GR00T N1.7，搭载Cosmos?Reason2主干网络，强化长时序任务拆解、跨本体泛化能力。2026年5月推出Cosmos 3，采用MoT+Transformer架构，支持多模态输入，可完成物理场景预测、机器人动作生成、仿真世界合成等任务。

英伟达Isaac GR00T系列采用VLA双系统架构，依托仿真合成数据开展训练，赋予人形机器人在仓储、车间等工业场景完成抓取、工具操作、物料搬运等具身任务的能力。

根据NVIDIA开发者网站，Isaac GR00T从N1到N1.7版本持续迭代，模型不断强化多模态对齐、语言指令跟随与双臂灵巧操作性能，同时提升推理速度。根据NVIDIA官方研究网站及NVIDIA官方技术博客，公司后续推出Cosmos 3世界模型，可完成物理场景预测、机器人动作生成与仿真世界构建。GR00T负责机器人端动作输出，Cosmos 3承担环境预测与仿真数据生成，二者共同构成“世界模型+动作模型”的具身智能技术栈，大幅降低实体机器人的数据采集成本，支撑人形机器人在工业场景执行复杂多步骤灵巧作业。

风险提示

（一）技术迭代不及预期

具身大模型、环境感知与自主决策等机器人大脑技术是通用机器人规模化落地的核心关键。若相关底层算法迭代速度放缓、模型泛化能力提升不及预期，无法适配复杂非标准化场景作业需求，将制约具身智能产业商业化提速与长期成长空间。

（二）安全和隐私法规影响

目前人形机器人还处于早期阶段，相关技术还不成熟，大模型需要依赖网络传输来运行。若后续人形机器人发生伤人事故等或者隐私泄漏等事件，可能会触发相应的监管政策，从而放缓产业链发展的节奏。

（三）道德因素

受恐怖谷效应，随着人形机器人外貌、功能越来越接近人类，人类可能会对其产生恐惧、厌恶等负面情绪。同时人形机器人的推广意味着大量劳动力岗位的流失，可能会引起民众的抵制活动，延缓产业发展节奏。

报告信息

本摘要选自报告：《人形机器人行业：大语言模型后，具身模型何时迎来 GPT 时刻？》2026-10-25

报告作者：

孙柏阳 S0260520080002

蒲明琪 S0260524080003

法律声明
本微信号推送内容仅供广发证券股份有限公司（下称“广发证券”）客户参考，相关客户须经过广发证券投资者适当性评估程序。其他的任何读者在订阅本微信号前，请自行评估接收相关推送内容的适当性，若使用本微信号推送内容，须寻求专业投资顾问的解读及指导，广发证券不会因订阅本微信号的行为或者收到、阅读本微信号推送内容而视相关人员为客户。
完整的投资观点应以广发证券研究所发布的完整报告为准。完整报告所载资料的来源及观点的出处皆被广发证券认为可靠，但广发证券不对其准确性或完整性做出任何保证，报告内容亦仅供参考。
在任何情况下，本微信号所推送信息或所表述的意见并不构成对任何人的投资建议。除非法律法规有明确规定，在任何情况下广发证券不对因使用本微信号的内容而引致的任何损失承担任何责任。读者不应以本微信号推送内容取代其独立判断或仅根据本微信号推送内容做出决策。
本微信号推送内容仅反映广发证券研究人员于发出完整报告当日的判断，可随时更改且不予通告。
本微信号及其推送内容的版权归广发证券所有，广发证券对本微信号及其推送内容保留一切法律权利。未经广发证券事先书面许可，任何机构或个人不得以任何形式翻版、复制、刊登、转载和引用，否则由此造成的一切不良后果及法律责任由私自翻版、复制、刊登、转载和引用者承担。