摘要：2026年9月，五家机构在30天内密集发布具身大模型。宇树开源UnifoLM-WLA-1.0，6B参数、2500小时真机训练，具身推理拿下7项开源SOTA；紫东太初开源ZDTaichu5.0-9B，在九项国际空间理解测试中拿下8项同组别第一，并首次公开了整套空间多模态数据生产管线；Figure发布Helix 2.5，在30个从未见过的家庭中实现零样本全身自主作业，成功率达56%；亮源新创发布Light-O1，首次验证人类全身动作预训练的跨本体迁移扩展规律；德塔智能发布Delta-0，采用“大脑-小脑-力位”协同架构，在210秒内规划32步完成9个家庭场景任务。与此同时，76%的国产机器人仍依赖ROS系统，底层系统自主率不足40%。一场关于机器人“大脑”和“操作系统”的军备竞赛，已经全面打响。
模型权重可以开源，数据管线可以复用，但真实场景中“最后一公里”的失败恢复能力——那才是具身智能真正的护城河。
一、五家模型的技术路线对比：从VLA到世界模型的分化
| 维度 | 宇树UnifoLM-WLA-1.0 | 紫东太初ZDTaichu5.0-9B | 德塔智能Delta-0 | Figure Helix 2.5 | 亮源新创Light-O1 |
|------|---------------------|----------------------|----------------|-----------------|-----------------|
| 参数规模 | 6B（WLA）+4B（推理底座） | 约9B | 未公开（三层架构） | 未公开 | 未公开 |
| 核心架构 | World-Language-Action统一框架 | 通用多模态（Qwen3.5-9B+C-RADIOv4-H） | 大脑-小脑-力位协同 | 单一基础模型→三种行为 | 互联网视频→人类动作预训练 |
| 训练数据 | 2500小时真机+500万条具身推理样本 | 空间多模态数据生产管线 | 上肢操作+跨本体+人类全身动作 | Index人类行为数据集 | 10万动作小时互联网视频 |
| 任务覆盖 | 64项（54桌面+10全身） | 空间理解+具身推理 | 210秒32步9项家庭任务 | 整理客厅/折毛巾/整理床铺 | 全身协调动作 |
| 泛化能力 | 开源SOTA×7项 | 空间基准8项同参数第一 | 真实-仿真-真实训练验证 | 30个未见家庭零样本56%成功率 | 跨本体迁移幂律扩展 |
| 开源范围 | 部分权重+数据 | 权重+完整数据管线 | 未开源 | 未开源 | Preview开源 |
| 适用场景 | 桌面操作+全身操作 | 科研自动化+智能制造 | 家庭场景连续作业 | 家庭场景全身任务 | 全身动作学习 |
1.1 宇树UnifoLM-WLA-1.0：先预测“哪儿会变”，再生成“怎么动”
宇树科技于2026年9月10日发布UnifoLM-WLA-1.0，其中WLA是World-Language-Action，即世界-语言-动作。模型规模为6B，配套的UnifoLM-ER-1使用超过500万条具身推理样本，WLA模型使用约2500小时真机数据训练，数据覆盖不同的机器人本体和作业场景。
核心技术突破在于把“具身推理+未来变化预测+动作学习”放进同一体系。宇树首先利用光流，对机器人执行动作前后的画面进行比较——比如机械臂包装手机时，背景里的桌子基本没有变化，真正发生明显变化的是机械臂、手机以及两者发生交互的区域。模型不需要把下一帧画面的每个像素都重新预测一遍，而是把注意力集中到这些因为机器人交互而发生变化的区域。
动作生成方面，宇树把动作拆成三路：末端位姿、手部关节、下肢关节，各自编码成动作Token，按同一时间轴对齐，由动作专家模块解码成连续的真实动作。
在评测成绩上，UnifoLM-ER-1-4B在16项多模态感知与理解基准中有7项领先参评的开源模型。在Where2Place基准中，UnifoLM-ER-1-4B得分82.0，GPT-6 Astra得分69.0；在EmbSpatial上，两者分别得分88.9和83.3。
对运维/架构师的关键提示：宇树已开放部分模型权重和数据，但后训练代码、WLA-Base权重、全身遥操作数据集和操作数据集仍在后续开放计划中。建议在评估接入宇树模型时，优先确认后训练工具链的开放时间表。
1.2 紫东太初ZDTaichu5.0-9B：空间理解四层链条+开源数据管线
中国科学院自动化研究所紫东太初团队于2026年9月15日正式开源ZDTaichu5.0-9B通用多模态大模型，定位为“面向物理世界的通用多模态大模型”。该模型以Qwen3.5-9B为语言骨干、C-RADIOv4-H为视觉骨干构建，在九项国际空间理解测试中拿下八项同组别第一名。
该模型构建了“识别物体位置—推演三维空间关系—判断操作条件—输出行动决策”的四层思考链条，能够理解现实世界中的远近、方位、遮挡关系。在MindCube-tiny基准上以78.27分大幅领先Qwen3.5-9B（+20.67分）和STEP3-VL-10B。
最具差异化价值的是开源策略：紫东太初不仅开放模型权重，还同步公开了整套空间多模态数据生产管线，涵盖原始素材清洗、样本筛选、标签制作、模型微调、强化学习优化等环节。外部机构和企业可直接复用，解决“有权重、无数据处理管线”的行业痛点。
模型还搭载了自适应循环推理机制，简单任务直接输出不额外消耗算力，复杂空间推理任务则在内部反复推演校验。在提升空间能力的同时，图文识别、OCR、数学、代码调用等通用能力依旧保持优秀水平。该模型已在科研自动化和智能制造两大场景完成真实测试，包括自主调用计算工具做求解、交叉校验算法结果、自动绘制图表，以及工厂车间中的货架取件、移动避障、放置到位等完整流程。
对IT决策者的实操建议：紫东太初的数据生产管线方案对希望自建具身数据管线的企业具有直接参考价值。建议重点关注管线方案是否支持多种数据格式接入、是否包含数据去重和质量过滤的自动化工具。
1.3 德塔智能Delta-0：全身协同的“大脑-小脑-力位”三层架构
德塔智能于2026年9月28日发布原生人形机器人基础模型Delta-0。模型源自“大脑-小脑-力位”协同设计：大脑根据视觉为主的多模态传感，指挥人形机器人手脚的运动；小脑负责全身协调平衡与运动本能，将大脑指令变为高频的电机控制；力位混合控制兼顾运动位置与接触受力，让机器人在接触物体时精确调整动作并保持身体稳定。
在数据与训练方面，Delta-0复用既有上肢操作及跨本体数据，并结合团队采集的人类全身动作数据，补足下肢参与、移动和姿态变化等信息。训练基于德塔D1采集的人类第一视角观测与全身动作数据，并采用“真实-仿真-真实”的策略学习与评估体系。
在任务表现上，Delta-0展示了比肩Figure Helix 2.5的自主长程、全身协调、快速敏捷等能力，让人形机器人在210秒内规划32步，完成9个家庭场景常见任务，刷新了人形机器人在单位时间内完成任务数量和质量的上限。
争议性观察：德塔智能创始人马晓健表示，“人形机器人的价值，不只是外形接近人，而是能够进入已经按人的尺度建成的空间，在复杂环境中移动，并同时完成全身协同操作”。这一判断与宇树“World-Language-Action”的统一框架形成有趣对照——一个强调分层的身体控制，一个强调端到端的统一建模，两种路线谁更接近具身智能的“正确解”尚无定论。
1.4 Figure Helix 2.5：零样本泛化与数据扩展缩放规律
Figure于2026年9月17日发布Helix 2.5，在30个湾区真实家庭中，不采集任何新数据、不做额外训练、不进行环境适配，实现了零样本全身自主操作，成功率达56%。在420次试验中有237次成功，评测过程为盲测，且没有任何单一评测任务在Index预训练数据中的占比超过1.90%。拆开看，铺床成功率67%，叠毛巾62%，收拾玩具只有40%。
更值得关注的是其数据扩展实验。保持模型大小和后续任务训练不变，Index预训练数据从1倍扩大到8倍时，机器人动作预测误差规律性下降。Index预训练使零样本成功率从9%提升至56%——在任务专用数据、架构、训练和评测均保持不变的情况下，Index预训练这一变量使成功率提升了超过6倍。这意味着人类行为数据的扩展可以直接转化为机器人能力的提升。
投行视角提示：Figure承诺投入价值35亿美元算力资源用于训练Helix，与Nscale签署多年期协议锁定约10万块英伟达Vera Rubin系列GPU。数据扩展规律的发现意味着“数据越多→模型越强”是一个可预测的投入产出关系，这为估值模型提供了可量化的增长锚点。
1.5 亮源新创Light-O1：从互联网视频学习全身动作
亮源新创于2026年9月21日发布全身智能基础模型Light-O1，首次验证人类全身动作预训练的跨本体迁移扩展规律。该模型从海量互联网视频中学习人类动作，结合语言与视觉信息迁移至机器人，突破遥操作成本高、多样性不足等瓶颈。其人类动作预训练达10万动作小时，数据扩大后，跨本体与视角适配的动作预测损失呈幂律下降趋势，全身姿态误差同步降低。
对运维/架构师的关键提示：Light-O1的“从视频学习”路线为数据采集成本控制提供了新思路——不再依赖昂贵的真机遥操作，而是利用互联网视频作为训练素材。但其局限在于视频数据无法提供力反馈和触觉信息，在需要精细力控的任务中可能存在不足。
二、开源策略背后的生态卡位逻辑：谁在定义“操作系统”
2.1 宇树开源的经济逻辑：估值叙事切换
宇树8月刚上市，股价从1100元跌破500元，市值从4400多亿回落到2100亿上下。分歧的核心在于——该按“硬件厂”还是“具身智能平台”给它估值？两套算法能差出好几倍。开源，就是宇树给“平台”这个说法投的最重一票。宇树宣布将开放模型、代码和数据集，中小公司可以基于宇树的模型开发应用，宇树则成为生态的底座——对标“安卓之于手机”：底层能力保持开放，开发者围绕其适配不同设备和场景，最终形成一个不断扩大的生态。
投行视角提示：宇树的开源策略本质上是估值叙事的切换——从“卖硬件的”转向“卖平台生态的”。建议在评估类似标的时，关注三个信号：开源模型的开发者数量增长、基于该模型构建的商业应用数量、以及模型在第三方硬件上的适配广度。
2.2 紫东太初开源的数据管线逻辑：降低行业门槛
紫东太初的开源策略差异化在于——不仅开放模型权重，还同步公开了完整可复用的空间多模态数据生产全流程方案。这套管线覆盖原始素材清洗、样本筛选、标签制作、模型微调、强化学习优化等环节。外部机构和企业可直接复用，便于科研机构、机器人企业利用自有仿真画面、工厂实拍视频、实验室记录加工训练素材，训练适配自身业务场景的AI。
2.3 具身智能操作系统层面的生态竞争
在模型层开源竞赛的同时，操作系统层面的生态竞争同样激烈。76%的国产机器人仍依赖ROS系统，底层系统自主率不足40%。中国科学院院士梅宏指出，ROS系统其本质是基于通用计算机操作系统开发的软件包，这并非理想的面向机器人产业的通用操作系统。特别是面向具身智能应用场景，面临实时性不足、通信效率低、缺乏底层硬件及上层应用的多样性支撑等核心问题。
M-Robots OS作为国内首个基于开源鸿蒙的机器人全栈操作系统，2026年5月发布2.0版本，实现20KB到GB级设备全覆盖，中断与任务切换时延≤1微秒，本体间音视频通信时延低至4毫秒，较传统DDS方案效率提升42%。系统兼容ROS1/ROS2及Dora-rs等主流中间件，存量应用迁移成本降低80%。目前，M-Robots OS已适配双足人形、轮臂式人形、四足仿生、机械臂等20余种机器人形态，社区已汇聚深开鸿、中软国际、数字华夏、智元机器人、地瓜机器人、乐聚机器人、哈工大重庆研究院、北京大学、北京理工大学等约30家产学研单位。
M-Robots OS将机器人通信、感知、计算、存储等能力从本体“解耦”，依托空间设备、边缘节点分担算力任务，通过分布式软总线实现多设备自主发现、协同调度。深开鸿将这一理念概括为“空间柔性机器人”——在结构化空间中，以“空间感知+空间计算+轻量本体”替代“全部能力集中于单体”的传统架构。相关研究数据显示，传统单体具身智能设备算力占比高、负重偏大，通过边缘算力卸载，续航可实现数倍提升。
2.4 壁垒重构：开源之后，什么才是护城河？
当模型权重开源、数据管线复用后，具身智能的竞争壁垒正在从“模型能力”转向三个新维度：
维度一：数据回流闭环能力。谁能在更多真实场景中部署机器人、收集回流数据、持续迭代模型，谁就拥有数据飞轮优势。Figure每秒生成约35分钟的全新人类行为数据，已承诺投入35亿美元算力资源，这一投入规模本身就是壁垒。
维度二：真实场景中的失败恢复能力。Helix 2.5在30个家庭中零样本成功率为56%，虽已是行业领先，但距离商业化部署仍有差距。真实场景中的失败恢复能力——即从错误中恢复、持续推进任务的能力——是开源模型难以复制的。
维度三：硬件-模型的协同优化能力。宇树既是本体厂商又是模型开发者，可以实现硬件与模型的深度协同优化。蚂蚁灵波LingBot-VLA 2.0覆盖17个主流机器人品牌的20多种机器人构型，其构型泛化能力来自于对不同硬件形态的深度理解。
当模型权重开源后，具身智能的竞争壁垒正在从“模型能力”转向“数据飞轮转速”和“硬件-模型协同深度”。
三、企业选型与适配的实操框架：运维和架构师的操作指南
3.1 选型决策树：根据业务场景匹配模型
场景一：桌面操作+全身操作（如工业质检、实验室自动化） → 优先评估宇树UnifoLM-WLA-1.0。其64项任务覆盖54项桌面操作和10项全身操作，支持二指夹爪和多种五指灵巧手。但需注意后训练代码和完整数据集尚未完全开放。
场景二：空间理解+具身推理（如科研自动化、智能制造上料） → 优先评估紫东太初ZDTaichu5.0-9B。其空间理解能力在10B参数档位领先，且数据生产管线完整开放，适合基于自有数据训练垂直场景模型。
场景三：家庭场景连续作业（如养老陪护、家庭服务） → 可参考德塔智能Delta-0的架构思路（大脑-小脑-力位三层）和Figure Helix 2.5的零样本泛化验证方法论。但两者的模型权重均未开源，需通过合作或采购方式接入。
场景四：全身动作学习（如运动控制、复杂全身协调） → 可评估亮源新创Light-O1的跨本体迁移方案。其10万动作小时的互联网视频预训练路线可大幅降低数据采集成本。
3.2 适配实操：从模型选型到部署的关键步骤
步骤一：评估模型的硬件兼容性。不同模型对算力硬件的要求差异显著。宇树UnifoLM-WLA-1.0的WLA主模型仅6B参数，适合在中等算力平台上部署。
步骤二：验证模型的构型泛化能力。宇树UnifoLM-WLA-1.0的训练数据包含宇树自有开源数据、BitRobot-HIW-500等公开资源，覆盖多种机器人本体与作业场景。建议在选型时确认目标模型是否支持企业现有或计划采购的机器人本体构型。
步骤三：构建数据回流闭环。基于紫东太初开源的数据管线方案，结合企业自有数据（仿真画面、工厂实拍视频、实验室记录）加工训练素材。重点复用管线中的数据去重、质量过滤、三维能力标签、思维链合成和一致性校验等工具化环节。
3.3 成本测算框架
企业在评估具身大模型接入成本时，建议纳入以下变量：模型推理算力成本（不同参数规模的模型对GPU资源需求差异显著）；数据采集与标注成本（如采用遥操作路线，真机数据约500—1000元/小时；如采用互联网视频路线，成本可大幅降低但缺少力反馈信息）；模型微调与部署成本（后训练工具链的完备程度直接影响微调效率）；持续迭代成本（数据回流闭环的建设和运营成本）。
四、投资逻辑与风险信号
4.1 估值逻辑切换：从“模型能力”到“生态位”
开源竞赛的深入意味着具身大模型企业的估值锚点正在从“模型能力”转向“生态位”。具身智能赛道2026年上半年融资约935亿元，同比增长5倍。头部企业估值快速攀升——星海图估值突破200亿元，累计融资近30亿元。
建议建立“具身模型标的估值三要素”框架：
要素一：开发者生态规模。开源模型的开发者数量、基于该模型构建的应用数量、以及模型在第三方硬件上的适配广度。宇树开源策略的核心目的就是扩大开发者生态，对标“安卓之于手机”。
要素二：数据飞轮转速。数据回流闭环的规模和速度。Figure每秒生成约35分钟全新人类行为数据，已承诺投入35亿美元算力资源。建议在尽调中关注目标企业的真实场景部署数量和日均数据回流量。
要素三：硬件-模型协同深度。是否同时掌握本体和模型能力，能否实现硬件与模型的深度协同优化。宇树既是本体厂商又是模型开发者，这一双重身份使其在成本控制和性能优化方面具有独特优势。
投行视角提示：但需注意，开源策略正在降低模型层的技术壁垒，估值溢价将向拥有数据飞轮和硬件-模型协同能力的企业集中。建议重点关注三类标的：同时掌握本体和模型能力的整机厂商、拥有大规模真实场景数据回流能力的数据服务商、以及操作系统层面的生态构建者。
4.2 需要警惕的三个风险信号
其一，开源模型的商业化路径不清晰。当模型权重开源后，如何实现可持续的商业回报是行业面临的共同问题。宇树的开源策略本质上是估值叙事切换，但“平台生态”的收入模式尚不明确。建议在评估开源模型标的时，关注其是否有清晰的商业化路径（如云服务、技术支持、定制化开发）。
其二，模型能力与真实场景表现的差距。Helix 2.5在30个家庭中零样本成功率为56%，虽已是行业领先，但距离商业化部署仍有差距。评测中收拾玩具成功率仅40%，铺床成功率67%，叠毛巾62%——不同任务之间的成功率差异显著，说明模型在复杂任务上的泛化能力仍有不足。
其三，硬件-模型适配的碎片化风险。不同模型对机器人构型的支持程度差异显著。M-Robots OS已适配20余种机器人形态，但其他模型可能仅支持有限构型。企业在选型时需确认模型是否支持自身硬件，否则可能面临“模型无法适配硬件”或“硬件需为模型定制”的双向约束。
结语：一个可检验的判断
2026年Q4是具身大模型从“模型竞赛”转向“生态竞赛”的分水岭。未来12个月内，具身大模型企业的分化将取决于一个指标：第三方开发者基于该模型构建的商业应用数量——这个指标综合了模型能力、工具链完备度和生态运营能力。开发者数量超过1000的开源模型将形成正向飞轮，而低于100的模型可能面临“开源即沉默”的困境。
对于AI平台架构师而言，这意味着在评估具身模型接入时，不应只看评测分数，而应追问一个更本质的问题：这个模型的开发者社区是否活跃、工具链是否完整、是否有第三方硬件厂商在做适配？对于投行而言，建议关注的核心指标不是模型参数规模或评测排名，而是开发者生态规模和数据回流速度——这两个指标将区分“开源即沉默的论文模型”和“真正定义机器人操作系统的生态底座”。