宇树开源 UnifoLM-VLA-0 大模型

宇树开源 UnifoLM-VLA-0 大模型详细介绍

宇树（UAS）开源的 UnifoLM-VLA-0 是目前（截至2026年1月）国内外开源界针对通用人形机器人操作最具代表性的大模型之一。该模型是 UnifoLM 系列中的旗舰产品，核心目标是打破传统视觉语言模型（VLM）在物理交互中的局限，实现从“图文理解”向具备物理常识的“具身大脑”（Embodied Brain）进化。

以下是对该模型的详细拆解介绍：

1. 模型定位与核心目标

• 定位：通用人形机器人操作的视觉-语言-动作（VLA）大模型。
• 核心突破：传统 VLM（如 GPT-4V、Gemini Vision）虽然擅长图文理解，但在实际机器人操作（如抓取、插拔）时，往往缺乏对几何空间、动力学约束的理解。UnifoLM-VLA-0 通过在真实机器人操作数据上继续预训练，赋予了模型“具身智能”（Embodied Intelligence），能够理解物体的物理属性并规划动作。

2. 技术架构与底座模型

• 底座模型：基于开源的 Qwen2.5-VL-7B 模型构建，这是当前最强大的开源多模态视觉语言模型之一。
• 创新结构：在 Qwen2.5-VL-7B 的基础上，额外集成了 动作预测头（Action Prediction Head）‍，并引入了 前向与逆向动力学约束，实现了对动作序列的统一建模与长时序规划能力。

3. 训练数据与方法

• 多模态数据集：构建了覆盖通用与机器人场景的多任务数据集，涵盖了 2D/3D 空间细节、任务层级分解、空间关系推理等八大维度。
• 真实机器人数据：模型的关键数据来源于约 340 小时 的真实人形机器人（如宇树 G1）操作数据。这些数据包括了离散动作的预测、全链路动力学预测以及针对操作任务的系统化清洗。
• 持续预训练：通过深度融合文本指令与 2D/3D 空间细节，实现了对机器人与环境交互规律的深度理解。

4. 关键能力与性能表现

• 空间推理：在多类任务场景下，展现出显著增强的空间推理能力，能够精准理解物体的几何位置和关系。
• 长时序规划：支持长时序动作规划与决策，能够处理复杂的连续操作任务。
• 鲁棒性：在外部扰动条件下，模型表现出良好的执行鲁棒性与抗干扰能力。
• Benchmark 表现：
  • 在 LIBERO 仿真基准测试中，模型取得了接近最优的性能。
  • 在真实机器人验证中，仅凭单一策略网络，即可高质量完成 12 类复杂操作任务（如开闭抽屉、插拔插头、抓取放置等）。
  • 在 “no thinking” 模式下的零样本测试中，可比肩商用模型 Gemini-Robotics-ER 1.5。

5. 开源与应用

• 开源状态：该模型已于2026年1月正式开源，项目主页与代码已在 GitHub 平台公布，供开发者与研究人员获取。
• 应用场景：主要面向通用人形机器人的操作控制，适用于家庭服务机器人、工业协作机器人等需要高精度操作和环境理解的场景。

总结

UnifoLM-VLA-0 代表了开源界在机器人具身智能方向的最新进展。它不仅仅是一个看图说话的模型，而是具备了看图推理、说图指令、做图动作的完整闭环能力，为人形机器人从“工具”向“伙伴”迈进提供了关键技术基础。