衡宇 鹭羽 发自 凹非寺十大配资公司
继π0后，具身智能基座模型在中国也终于迎来了真正的开源——
刚刚，WALL-OSS宣布正式开源！
在多项指标中，它还超越了π0。
如果你是搞具身的开发者，了解它的基本资料，你就一定不会想错过它：
它是一个通用基础具身模型，泛化性和推理能力一流，你可以在自有本体上部署，快速微调后用起来。
它还是一个多模态具身模型，输入与输出的数据，有语言、视频、动作等多种形态，具备良好的因果推理、空间理解和反思能力。
我们调研了一圈发现，在4.2B参数规模下，融合了超大规模的高质量真机数据进行预训练的WALL-OSS，是唯一一个具备语言、视觉、动作多模态端到端统一输出能力的开源具身模型。
这一波操作，不香都难。
它凭什么这么能打？我们得从背后的团队说起。
用最近的流行梗来说，模型“基础”，背后团队就不基础——成立于2023年底的自变量机器人。
目前，分层架构与端到端模型是两条具身的主要技术路径。从成立起自变量就全身心押注后者。去年11月，团队推出了WALL-A，全球最大规模的端到端统一具身大模型。
技术上屡有成果，资本市场也分外看好。
就在今天，这支队伍刚刚宣布完成了近10亿元A+轮融资。
阿里云、国科投资领投，国开金融、红杉、渶策、美团、联想之星、君联资本都在这一轮股东名单之列。
据了解，融来的这笔钱，大部分依旧投入全自研通用具身智能基础模型的持续训练。
单卡训练+开放泛化，所有轮式机器人都能跑
仅需要RTX 4090级别的同等算力显卡，开发者便能完成WALL-OSS从训练到推理部署的全过程。
更重要的是，WALL-OSS在保证低成本训练的同时，依旧实现了顶尖的泛化表现。
在严格的ID（分布内）和OOD（分布外）评测中，WALL-OSS展现出领先π0等同类开源模型的性能优势。
首先在泛化性上，即使是在指令描述、动作动词、物体方位等要素发生变化的OOD场景下，WALL-OSS依旧能保持高任务成功率和指令遵循度，展现出优异的环境适应性。
在需拆解细分指令的长程任务中，WALL-OSS也显著优于采用扁平化策略的基线模型（如π0-flat）。
在依赖CoT的推理类任务里，WALL-OSS更是优于π0-flat和pi-gpt-prompt等强基线。
此外通过空间VQA、视觉定位、场景语言描述等多模态基准测试验证，WALL-OSS不仅可以完整保留VLM的核心功能，还在原有基础上实现了能力强化。
这种对核心能力的扎实沉淀，让它能同时兼顾推理规划和动作执行，可输出语言和动作双模态，一些视觉信息也能以语言形式传递。
值得注意的是，WALL-OSS采用统一的Transformer架构，并通过专家分流机制实现语言、视觉、动作在统一框架下的生成与协同优化。
这种真正意义上的端到端避免了多阶段流程的误差累计，极大提升了模型在长程和“推理+操作”复合任务上的稳定性和成功率。
截至目前，WALL-OSS填补了此参数区间内的高水平具身智能大模型的空白，成为业界唯一一个同尺寸下的面向物理世界交互、端到端路径的具身智能统一模型。
更重要的是，WALL-OSS并不依赖特定场景优化，且具备跨场景迁移与执行能力——
从养老护理到工业装配，从酒店服务再到物流分拣……一个真正意义上可以通用部署的具身大脑，展现出巨大的应用潜能。
所以从现在起，无论是产业界做场景落地的团队还是高校实验室，甚至是极客爱好者，都可以部署最前沿的具身智能大模型。
具体到硬件适配方面，WALL-OSS可以通过微调，快速适配到不同本体上，极大地降低了机器人应用的落地。
4大创新，让4.2B模型击碎具身智能“不可能三角”
目前的具身智能界，存在着一个广泛公认的技术难题：
如何在模态统一、动作精度和能力泛化之间达成平衡？
这个“三难困境”，几乎构成了当前具身智能模型的能力上探的绊脚石。市面上大多数模型通常只能做到一个，两者兼顾已经很难，更别提三者具备。
WALL-OSS是少数试图正面破解这一结构性难题的模型之一：它在各项指标上均追求极限，并从架构到训练范式，从数据构建到推理机制，进行了系统性重构。
这让模型在当前4.2B参数的体量下，实现了模态统一、推理泛化与动作生成的能力闭环。
这背后的第一步，事关模型架构设计。
WALL-OSS没有采用传统多模态拼图式的堆叠结构，而是首创了“共享注意力 + 专家分流（FFN）”这一新架构。
简单来说，它将语言、视觉、动作等信息都嵌入在同一个表示空间中处理，通过共享注意力机制实现模态间的信息交叉，同时再通过专家FFN高效处理不同任务。
这种设计有效避免了VLM知识迁移中的“灾难性遗忘”和“模态解耦”两大难题，在融合度更高的同时，又能保留每一模态的独特表达能力。
第二个关键点，是对数据质量及训练策略的把控。
WALL-OSS背后，是大规模的VLA训练集的支撑，其中主要包括大量自采高质量真机数据和具身多模态数据。
值得注意的一点是，真机数据高质量、高精度，与真实世界高度贴合，是目前具身大模型中最好的数据源。
在有了规模够大、多样性丰富、质量够高的数据的基础上，自变量团队精心设计了训练策略。
传统端到端训练方式常常面临一个问题：认知能力强的模型不一定能输出精准动作，而擅长动作控制的模型则缺乏推理和规划力。
为了解决这一问题，WALL-OSS设计了Inspiration Stage（启发阶段）和Integration Stage（融合阶段）两阶段训练策略。
在Inspiration Stage阶段，继续使用原VLM的FFN结构，加入多种预训练任务以增强空间+语义理解能力、引入Embodied VQA（具身视觉问答）任务，并引入离散动作学习。
其核心目标是保持原始VLM能力不变的基础上，增强其对空间结构和动作的初步理解，为后续动作生成打下感知语义基础，避免“灾难性遗忘”。
Integration Stage阶段则分为两个子步骤。
第一步，冻结VLM，仅训练动作模块；第二步，解冻VLM，联合优化全模型。
如此这般，模型能从语言和视觉输入中连续生成高频物理动作，既保留了VLM的语言与视觉理解能力，又具备细粒度动作执行力，建立统一、协同、紧耦合的跨模态表示空间。
研发团队发现，采用“先离散、后连续、再联合”这一范式后，VLM强大的认知能力，能稳定、无损地迁移和扩展到物理动作上。
而团队独具匠心的第四个创新点，是让WALL-OSS有了内生的高级推理能力。
具体来说，WALL-OSS的统一跨层级思维链将思维链推理的概念从传统狭义CoT（大语言模型中逐步文本推理）推广至涵盖整个语义-感知运动频谱的广义CoT：
指令→推理（CoT）→子任务规划→连续动作。
这种统一框架实现了跨层级抽象层面的前向任意映射，使模型能够在单一可微分框架内无缝切换高层决策与底层执行。
自变量机器人CTO王昊表示：
这是WALL-OSS能够胜任长程、复杂任务的关键。在面对未知环境、从未习得的任务时，模型也能自主拆解步骤，逐步思考，寻求解决办法。
So，具身智能“不可能三角”不是真的牢不可破。
架构、数据、训练、统一跨层级CoT四线齐发，让WALL-OSS在体量适中、硬件可负担的前提下，建立了一个真正能通用执行的具身智能能力底座。
真·开源通用模型，为具身智能“修路”
说完模型能力、技术突破，最后我们得说说它最破圈的一步：
WALL-OSS，它真·开源了。
在此前，具身行业里除了π0，开源界没有完全开源又真能打、真能用的；但对开发者来说，π0又得花很长时间才能微调用起来。
那么WALL-OSS呢？
——没有OpenAI那种长期吊胃口式的夸张性预告，不是只发paper那种程度的，开源的还不是几百个数据样本量的小模型。
这次自变量放出的，是一整套完整可复现的具身大模型方案。
包括预训练模型权重、训练代码、数据集接口，甚至还附带了详细部署文档，开发者可以在自己的机器人上直接跑通闭环流程。
这样即使开发者没什么训练经验，也能让第三方机器人无门槛接入最先进的具身智能基座，完成模型微调和复现任务。
不管你是研究机构、机器人公司，还是独立开发者，只要你有一个本体设备，哪怕不是自变量出品，也能把WALL-OSS跑起来。
这一步，直接把具身智能的进入门槛拉低了好几个台阶——实测反馈，外部团队最快一周内就能完成适配。
（注：通常情况下，这一过程需要1~2个月）
当然，如果用的是自变量本家的具身智能硬件，适配会更快，效果更丝滑。
为什么要开源？为什么要这么彻底地开源？
过去几年，整个具身智能赛道看上去热闹，发布会一个接一个，但似乎陷入了一种“过拟合演示”怪圈。
Demo演示一次次惊呆众人，但真正用起来，效果就是大打折扣。
自变量团队认为根本原因还是模型基建的缺失。
具身智能特别就特别在它是“软硬件一体”的，所以一旦基础设施受限，想把模型用起来，就需要不断适配、微调，就意味着高投入、高门槛、长时间。
与其每个团队每次都要花那么大功夫，为什么不索性直接彻底开源呢？
要知道，国内不缺有想法、有实力的人才或团队，能在某一个环节上节约时间，都能加速推动研发进度和实际场景落地。
至于数据和算力的问题，很多科研团队、中小企业都难以只靠自己克服。
所以，具身智能领域迫切需要一个低算力、能力强、还开源的基础模型来打破僵局。
WALL-OSS，就是这么一个符合上述条件的具身大模型。
“我们想让整个行业以最低的成本，获得最先进、最通用的能力基座。”自变量CTO王昊总结道，“因为没有基础模型，具身智能行业根本长不大。”
并且，自变量团队希望通过WALL-OSS乃至后面持续的开源，建立起开源的标杆。
这个举动， 能让“只能在定制化场景中表现优异”的机器人无处遁形，进一步推动行业之间的公平，倒逼技术透明化发展。
也能让更多的人才愿意加入具身智能行业，去一起攻破一些核心的技术难点。
在具身智能这场长跑里，终点一定不会只给某一家公司准备鲜花和奖杯。但起点，至少该有一块足够稳的起跑板。
自变量要做的，就是这块起跑板。
GitHub：https://github.com/X-Square-Robot/wall-x项目主页：https://x2robot.com/en/research/68bc2cde8497d7f238dde690
— 完 —
量子位 QbitAI · 头条号
关注我们十大配资公司，第一时间获知前沿科技动态
配先查提示：文章来自网络，不代表本站观点。
沪深京指数
热点资讯
