宇树开源的 6 B 具身大脑：2500 小时真机数据 + 7 项开源 SOTA，让机器人先预判再动手

一句话结论：宇树在 9 月开源了新一代通用人形机器人基础模型 UnifoLM-WLA-1.0，6 B 参数，用约 2500 小时真机数据训练，一个模型覆盖 64 项任务。它的具身推理底座在 16 项多模态基准里有 7 项领先开源模型，部分空间理解任务甚至反超 GPT-6 Astra。核心思路是「世界-语言-动作」（World-Language-Action）的统一：让机器人先预测世界会怎么变，再决定怎么动。

AI 摘要

• 项目是什么：UnifoLM-WLA-1.0，宇树开源的 6 B 通用人形机器人基础模型，WLA 即「世界-语言-动作」。
• 核心能力：一个模型覆盖 64 项任务（54 项桌面 + 10 项全身），支持二指夹爪和多种五指灵巧手。
• 关键数据：2500 小时真机数据 + 500 万条具身推理样本；具身推理底座 7 项开源 SOTA。
• 适用边界：64 项任务都在宇树 G 1 上测试，跨本体泛化还没数据验证。

什么是「世界-语言-动作」模型

先讲清楚 WLA 这三个字母的意思。它对应的是具身智能领域的三层能力。

「世界」（World）指世界建模——预测动作之后世界会怎么变。「语言」（Language）指理解指令。「动作」（Action）指生成具体的操作。

宇树的路线是「先预判再动手」：让机器人先学会预测「我动完之后，世界会变成什么样」，再从变化里推导出动作。这个思路更接近人的直觉——人要挪走一个杯子，脑子里会先过一遍杯子挪开后桌面变成什么样。

这和之前 PhysBrain 走的人类学习路线是不同的技术路径，但指向同一个方向：让具身智能从「反应式」走向「预测式」。放到更大的图景里看，宇树这次开源，和 Nvidia 联手 Hugging Face 把 GR 00 T 带进 LeRobot 是同一个趋势的两端——开源机器人正在迎来自己的「Android 时刻」。

Dynamic Region 是怎么省算力的

UnifoLM-WLA-1.0 有一个关键的技术取舍，叫「Dynamic Region」（动态区域）。

传统的世界模型会生成整个未来画面，这是很贵的。宇树的做法是只预测「未来会发生变化的区域」——用光流从前后两帧里提取出真正变化的部分，再用 VQ-VAE 把这片变化压成离散 token，让模型只输出「哪儿会变」。

官方把这条路总结成「以交互为中心的世界建模」（interaction-centric world modeling）。说人话就是，与其画一张模糊的全景未来，不如把「哪儿会变」算准。前者好看，后者有用。

这个取舍很务实——它承认了算力的约束，把有限的预测能力聚焦在最关键的变化上。

动作 token 化：让全身说同一种语言

另一个技术亮点是动作的 token 化。

宇树把机器人的动作拆成三段：末端执行器的位姿、手部关节、下半身关节。三段各训一个残差向量量化模型，把连续轨迹编码成离散的动作 token，再按共享时间步对齐，一起送进视觉语言模型。

这样模型就可以像预测语言 token 一样预测动作 token——手部精细动作、末端位置和下肢运动，被统一到了同一套「语言」里。这是让一个模型同时覆盖桌面操作和全身动作的关键。

这个设计的意义在于「统一」：过去手部操作、行走、全身协调往往是分开的模型，现在用 token 化把它们压进同一个框架。

为什么真机数据是最贵的部分

UnifoLM-WLA-1.0 的训练数据约 2500 小时，这是整个项目里最贵的部分。

数据有两类来源：宇树自有的开源数据集，以及 BitRobot-HIW-500 这类公开资源。HIW-500 由 BitRobot、Hugging Face 与宇树联合发布，包含 500 多小时真实家庭场景的全身遥操作数据，用宇树 G 1 采集，覆盖 29 个自由度，CC BY 4.0 协议开放。

为什么真机数据贵？仿真里跑得再好，到真机上可能连东西都拿不稳——仿真和现实的差距（sim-to-real gap）一直是具身智能的老大难。真机数据能直接跨越这个差距，但采集成本高、耗时长。2500 小时的真机数据，就是宇树这次最实在的护城河。

对开发者意味着什么

如果你是做具身智能的开发者，UnifoLM-WLA-1.0 值得重点跟进，因为它是国产厂商在「具身大脑」这个方向上最完整的开源答卷之一——模型、代码、数据集都开放。

但要注意一个边界：64 项任务全在宇树自己的 G 1 上测试，换到其他机器人本体上能不能行，还没有数据。那 7 项开源 SOTA，测的也偏向空间理解（属于「眼睛的考试」），跟真机操作成功率是两回事。

宇树创始人王兴兴给过一把尺子：机器人在 80% 的场景里，仅凭一句语音或文字指令完成 80% 的任务，具身智能才算迎来自己的「ChatGPT 时刻」。他给的时间是快则两三年，慢则五到十年。UnifoLM-WLA-1.0 是往这个方向迈出的一步，但离那个「80/80」还有距离。

一句话：这是「生态卡位」的开源动作，看的是宇树在「具身大脑」这个新战场上的定义权，不是今天就能开箱即用的成熟产品。

智盒判断

短期看，UnifoLM-WLA-1.0 最大的价值是「把具身大脑开源了」。过去宇树以本体和运动能力著称，这次它把模型、代码、数据一起开放，等于宣告要抢「具身智能的安卓时刻」——像安卓之于手机一样，让开发者围绕一套开放的底层能力去适配不同设备。

中期看，真正的竞争点是「真机数据」。当模型参数和代码都能公开，稀缺的是持续产出高质量真机数据的能力。宇树的 2500 小时数据，加上和 Hugging Face、BitRobot 联合发布的数据集，是在这条护城河上堆土。

长期看，这背后是具身智能竞争的重心转移：从「拼本体」转向「拼大脑 + 拼生态」。硬件竞争还在加码，但「谁定义了具身智能的底层模型标准」，会决定未来几年这个赛道的格局。

FAQ

UnifoLM-WLA-1.0 能直接在别的机器人上用吗？

不确定。64 项任务都在宇树 G 1 上测试，跨本体泛化还没有数据验证。权重、代码、数据是开放的，但换到其他机器人上需要自己验证和适配。

它和 PhysBrain 1.5 有什么区别？

技术路线不同。PhysBrain 走「人类学习」路线，用全景设备采集人的日常操作视频再转换到机器人；宇树走「世界-语言-动作」路线，用真机遥操作数据训练。两者都是国产具身智能开源，但数据来源和技术路径不一样。

现在能下载吗？

部分可以。截至 9 月 14 日，具身推理模型、主干网络权重、挑战赛数据集、全身遥操作数据集已开放；后训练代码和部分权重仍列在后续开放计划中。