加入高工机器人专业行业群，加微信：13590381326，出示名片，仅限机器人及智能制造产业链相关企业。
在人形行业里，硬件参数的军备竞赛似乎走到了内卷的十字路口，每一次刷新都更像是对前一次的微调，而非真正的跃迁。
与之形成微妙对照的，是大模型赛道的喧嚣。
其中最令人着迷的，是这些大模型新构思背后的创造力。大模型团队不再满足于展示机器人“能做什么”，而是尝试从不同的维度解释“机器人为什么还做不好什么”。
从“罗列能力”到“挖掘短板”的转向，也尝试着看清具身智能落地的真实卡点问题。
基于此，笔者梳理了具身智能行业以及学界于6月发布的13个大模型及世界模型新成果，从这些具体的创新切片中，了解行业在做什么。
其间，我们得以看到业界对世界模型的差异化理解与构建路径，看到不同团队在数据类型选择上的不同侧重，也看到在机器人操作层面，从全身控制到灵巧操作，各方针对各类卡点所提出的解决方案。
具身智能企业新发布的大模型
智源研究院
悟界·Physis-v0.1＆悟界·RoboBrain Orca
6月12日，2026 智源大会上，智源研究院发布2项与世界模型相关的最新进展，分别是悟界·Physis-v0.1和悟界·RoboBrain Orca。
据了解，悟界·Physis-v0.1的核心范式是预测下一个物理状态，其尝试将视频、RGB-D、3D点云、力触反馈等全模态信息，压缩和统一到隐空间中，让模型在latent space 中学习状态的演化。
悟界·RoboBrain Orca的定位则接近“机器人大脑”，以下一个物理状态预测为核心的具身大脑，具备统一表征、因果推演、模态解码三大核心能力。
据智源透露，其世界模型采用了语言表征与视觉表征的融合路线，也叫做潜空间表征，同一个潜空间能够Decode不同的模态。
智源认为，将来统一的潜空间建模不仅仅是视觉空间，而是全模态潜空间，这很有可能是世界模型下一个真正可能的路径。
中科硅纪
CasiaHand Brain-Si 0.5
6月12日，中科硅纪正式发布全球首个类人灵巧操作具身大小脑模型CasiaHand Brain-Si 0.5。
CasiaHand Brain-Si 0.5采用三层架构设计，顶层为具身大脑，是VLA/VLM与世界模型深度耦合的规划决策架构；
中间层为六大类人灵巧操作基座模型，将类人灵巧操作拆解为六大核心能力，分别为预抓取与辅助操作、通用抓取、功能性操作、响应式人机交接、双手协同操作、人机融合操作；
底层为物理可解释模型，负责将动作序列精确实时地执行到物理世界。
阿里巴巴
VLN移动模型Qwen-RobotNavVLA＆操作模型Qwen-RobotManip＆世界模型Qwen-RobotWorld
当行业热衷于用更多机器人和更多数据来“大力出奇迹”时，阿里巴巴抛出了一个不同的判断：物理世界的异构性，根本就不是规模化能够覆盖的问题，它需要的是模型层面的对齐策略。
6月16日，阿里巴巴推出的Qwen-Robot 千问具身智能大模型全套套件，正是通过用三种不同的对齐策略，解决三种不同类型的物理动作与语言之间的鸿沟。
具体看来，Qwen-RobotNav通过自适应的视觉分配策略和工具接口，把视觉语言能力接入移动控制，将视觉分配策略本身参数化，包括视觉 token 预算、时间衰减、逐相机权重、帧采样模式；
Qwen-RobotManip通过规范状态-动作空间和相机坐标系下的末端执行器增量位姿，把视觉语言能力接入操作控制；
Qwen-RobotWorld通过自然语言动作接口，把视觉语言能力接入世界动力学预测。
Current Robotics
全身灵巧操作模型Curr-0
6月16日，Current Robotics发布全身灵巧操作模型Curr-0，其核心思路是把全身灵巧操作当作一个耦合的整体来训练，而不是先训练一个移动策略，再训练一个操作策略，最后拼在一起。
资料显示，Curr-0系统内部分为三层：上层负责理解任务和语言指令，中层负责协调全身运动和姿态稳定，下层负责手部和物体的精细交互。
银河通用
小脑基础模型AstraBrain-WBC 0.5
6月19日，银河通用机器人正式发布AstraBrain-WBC 0.5，这是银河星脑（AstraBrain）技术体系下，面向人形机器人全身实时运控的小脑基础模型。
团队首次采用GPT风格的因果Transformer架构，将机器人全身控制重新定义为一个连续序列预测问题。
值得注意的是，该方案遵循与LLM类似的发展逻辑，即数据量与参数规模的持续扩张。
据了解，AstraBrain-WBC 0.5基于约20亿帧人类动作数据训练而成，数据规模比肩GPT-1量级，模型参数规模达到8000万级别，是全球首个达到该量级的人形机器人全身实时运控大模型。
RoboScience
技术架构VLOA
6月24日，RoboScience机器科学首次完整披露了自研Visics大模型的技术架构VLOA（Vision-Language-Object-Action）。
如图所示，Visics大模型以“具身世界模型”和“通用操作模型”为核心，两者之间以Object Trajectory作为中间接口，并以物体的连续3D点云轨迹进行表征。
上层具身世界模型负责认知和预演物理轨迹，下层通用操作模型负责将轨迹转化为不同机器人的物理控制信号，形成统一闭环。
据其创始人田野表示，选择三维物体运动轨迹作为统一表征，是向模型明确输出任务目标，物体预期的形态与位置变化，再由模型自主推导机器人对应的执行动作。
除此之外，该中间表征能够实现数据与模型的分层拆分：世界模型依托互联网公开视频数据完成训练，操作模型依托仿真数据集完成训练。
正因此，RoboScience在预训练阶段采用“互联网视频数据+仿真数据”，完全不依赖真机数据。
无界动力
隐空间世界模型MWA™
6月29日，无界动力发布全球首个“长时序双向物理因果链”隐空间世界模型MWA™，拓展具身智能的多元场景泛化能力，直击机器人长周期、高精度执行的行业老大难问题。
MWA™通过模型提炼出来的潜动作（Latent Action），摆脱对传统动作标签（Action Label）的依赖，从而把没有人类标注动作的原始海量视频作为训练数据。
同时，MWA™实现长时序双向物理因果链，是通过“正逆互审机制”，一条是逆动力学，负责“由果推因”，看到结果反推是什么动作导致的；另一条是正动力学，负责“由因及果”，给定一个动作去推演接下来环境会怎么变化。
此外，无界动力还引进从底层架构让隐空间世界模型原生适配强化学习（RL）机制。
针对强化学习缺乏多维度的样本对照，难以获得高频、稠密的奖励反馈来调优策略的问题，无界动力首创了AnyPhys负样本核心数据体系。
具身智能模型相关论文
Zongzheng Zhang et al.
论文题目：Dexora: Open-source VLA for High-DoF Bimanual Dexterity
研究方向：解决双臂协同与精细手指动作的双重需求
VLA模型Dexora
6月，业内发布了一篇首个原生面向双臂双高自由度（36自由度）灵巧操作的开源VLA模型Dexora，为通用灵巧机器人的落地提供了全新范式。
Dexora通过“外骨骼+VR”混合遥操作系统，以驱动物理机器人与MuJoCo（Multi-Joint dynamics with Contact ，带接触的多关节动力学仿真引擎）数字孪生。
换言之，物理机器人与数字孪生的传感器数据20Hz同步记录，既有真实场景数据，又能在仿真中低成本扩展任务场景，形成“真实+仿真”互补的数据集。
大晓机器人＆南洋理工大学刘子纬教授团队
论文题目：PhysX-Omni: Unified Simulation-Ready Physical 3D Generation for Rigid, Deformable, and Articulated Objects
研究方向：显式建模高分辨率三维结构，并规避传统分割带来的误差累积。
物理3D生成框架PhysX-Omni
6月，大晓机器人联合南洋理工大学刘子纬教授团队，提出首个统一的simulation-ready物理3D生成框架PhysX-Omni。
PhysX-Omni提出了一种全新的几何表征，受经典二维Run-Length Encoding（RLE）启发，该方法设计了一种template-based RLE representation，将长程数据遵循一套预先定义好的结构化格式或框架，存储为规范化的数据。
与此同时，PhysX-Omni聚焦于生成几何结构、材料属性、运动学参数、交互能力等丰富物理信息，直接构建可用于真实仿真环境的simulation-ready 3D assets。
与此同时，PhysX-Omni构建了首个通用物理化3D数据集PhysXVerse。
ScaleLab 团队＆上海人工智能实验室＆百度智能云团队
论文题目：AHA-WAM:Asynchronous Horizon-Adaptive World-Action Modeling with Observation-Guided Context Routing
研究方向：WAM模型落地的延迟难题
世界动作模型 AHA-WAM
6月，上海交通大学ScaleLab团队、上海人工智能实验室联合百度智能云AI Infra团队，推出全新机器人操控模型AHA-WAM（异步视野自适应世界-动作模型）。
据介绍，AHA-WAM 基于双 DiT 架构，分别是低频运行的世界规划器，负责建立长时界的潜空间计划，并提供可复用的层级潜上下文；以及高频运行的动作专家，以极高的频率预测短程动作块，通过查询规划器提供的上下文来指导执行。
为了支持异步架构稳定运行，AHA-WAM 进一步引入了三项机制：观测引导的上下文路由（OVCR），用于根据最新视觉观测动态更新已缓存的视频上下文；视界自适应偏移训练（Horizon-Adaptive Offset Training），用于处理世界规划器和动作执行器之间的相位差；滚动 KV 内存（Rolling K/V Memory），用于保存跨刷新周期的历史信息。
Dantong Niu et al.
论文题目：T-Rex: Tactile-Reactive Dexterous Manipulation
研究方向：触觉融合方案下的频率不匹配问题
T-Rex架构
6月，来自UC Berkeley、NVIDIA、斯坦福等机构的研究者，其中包括李飞飞、英伟达具身智能负责人 Jim Fan等多位知名学者，联合发表了一篇论文，分析当前触觉融合方案的根本缺陷，并提出了T-Rex架构来解决这个问题。
论文指出，当前主流的触觉融合方案在模型优化层面收效甚微。
研究团队在统一的实验平台与任务设定下，尝试将触觉力信号直接拼接至预训练的π0.5模型中，结果任务成功率从17%下滑至6%，触觉信息的引入非但未能带来增益，反而对模型性能构成了显著干扰。
T-Rex 改变了触觉输入的方式，其采用了一种混合 Transformer 专家架构（Mixture-of-Transformer-Experts，MoT），将整个系统拆分为潜在专家（Latent Expert）、动作专家（Action Expert）、触觉专家（Tactile Expert）。
具体步骤为，Latent Expert理解状态并做出预测后，Action Expert给出一个粗粒度的动作规划。
最后由Tactile Expert以大约 20Hz 的高频运行，接收实时触觉信号，在Action Expert产出的规划基础上进行修正。
它不需要重新处理视觉和语言信息，而是直接复用前两个专家缓存的上下文，只关注触觉带来的即时反馈。
清华大学团队＆正行创新（Striding AI）
论文题目：LaWAM: Latent World Action Models for Efficient Dynamics-Aware Robot Policies
研究方向：生成能被动作策略立刻读取的未来子目标
隐空间世界动作模型LaWAM
6月，清华大学团队与正行创新联合提出了隐空间世界动作模型（Latent World Action Model, LaWAM），绕开未来视频生成，在视觉隐空间中预测动作相关的未来子目标，再把这个隐空间视觉子目标（latent visual subgoal）交给动作生成策略使用。
如图所示，LaWAM分为2个阶段，第一阶段学习 LaWM，第二阶段将 LaWM 预测出的隐空间视觉子目标交给动作专家使用。
具体来说，LaWAM把注意力放到隐动作模型（Latent Action Model, LAM）的解码器上，把它变成策略可调用的隐空间世界模型（Latent World Model, LaWM），这个解码器已经学会根据当前视觉特征和隐动作，预测下一段时间后的视觉特征。
第二阶段通过隐动作蒸馏让策略学会稳定驱动 LaWM；知识隔离则在策略训练中保护 LaWM，避免动作专家的梯度破坏它已经学到的场景变化规律。
它石智航＆新加坡国立大学＆上海交通大学＆中科院自动化所＆复旦大学
论文题目：TacForeSight: Force-Guided Tactile World Model for Contact-Rich Manipulation
研究方向：引入力觉信号作为预测结果的先决条件之一
力条件触觉世界模型
6月，它石智航联合机构和大学发布论文，提出一种力条件触觉世界模型，首次将腕部力觉作为未来触觉状态的先导信号，用于预测短时接触演化，并将预测结果引入机器人动作生成过程。
其主旨为力觉与触觉并不是重复信息，而是具有“时间先后关系”的信息。
如图所示，左图示意腕部扭力和双指触觉信号提供互补的全局和局部接触线索，外部力/力矩变化先于接触转换期间的触觉响应；
中间示意与以往的力-触觉融合方法不同，TacForeSight 预测力条件触觉演变，从而提供预先接触信息；
右图示意在具有代表性的、接触密集型操作任务中进行真实机器人评估。
