宇树发布6B具身大脑模型：7项开源基准SOTA，开放权重代码

9月17日，这个模型最直接的看点是任务覆盖面。单模型统筹64项任务，其中54项为桌面操作，10项为全身操作。桌面侧包括叠衣服、收纳餐具、给电池充电、整理铅笔盒；全身侧包括倒垃圾、铺床、整理鞋、把文件夹放进柜子。硬件上同时支持二指夹爪和多种五指灵巧手，意味着一套权重需要在不同末端执行器之间通用。

动作能力的底座是UnifoLM-ER-1-4B。这个4B模型以Qwen3-VL-4B为基础，用超过500万条具身推理样本训练，样本覆盖图像点预测、物体检测、多图推理、2D轨迹预测、3D物体检测和多图空间问答。在16项多模态感知与理解基准中，7项成绩领先表中参评开源模型，部分项目高于GPT-6 Astra：Where2Place基准得分82.0，对GPT-6 Astra的69.0；EmbSpatial得分88.9，对83.3。BLINK、CV-Bench同样在评测范围内。

技术路线上，UnifoLM-WLA-1.0采用以交互为中心的世界建模，即interaction-centric world modeling。做法是用光流比较机器人执行动作前后的画面。以机械臂包装手机为例，背景桌子基本没有变化，变化集中在机械臂、手机以及两者的交互区域。模型把注意力压到这些真正发生变化的区域，再通过VQ-VAE压缩成固定长度的离散Token。输入是当前画面加任务描述或待执行动作，输出则是预测下一步哪些区域会变。

动作侧的处理同样是离散加同步。统一动作空间被拆成末端执行器位姿、末端执行器关节、下肢关节三路，分别用RVQ离散成Token，再按同一条时间轴同步输入。在UnifoLM-ER-1的基础上，动作Token、未来动态区域Token、图像和文字被放进同一表示空间，形成UnifoLM-ER-Flow，负责理解当前世界、预测交互变化区域、确定动作。WLA-1.0在其上加入MMDiT Action Expert，把模型对任务、未来变化和动作的理解解码为连续动作。整条链路可以概括成一句话：先预测哪里会变，再生成怎么动。

这个设计的价值在于世界模型真正参与了动作生成，把环境理解、变化预测和全身控制串在一起。以整理沙发抱枕为例，动作涉及手臂末端移动、夹爪或灵巧手开合、下半身姿态调整，三路动作Token在同一时间步协同学习，多本体加统一动作空间的好处在这里体现。

训练数据分两类。图文数据可从互联网按亿为单位抓取，真机数据必须由真实机器人运行产生。WLA模型用了约2500小时真机数据，覆盖不同机器人本体和作业场景。2500小时相当于一台机器人连续采集超过100天。两类数据对应不同的训练阶段，具身推理样本与通用图文数据共同参与。

放进行业坐标里看，谷歌提出的Gemini Robotics 2强调"一个大脑，适用于任何机器人"，英伟达Jim Fan的判断更为激进——VLA已死，世界动作模型当立。宇树这次给出的UnifoLM-WLA-1.0落在世界动作模型这一侧，同时把规模压到6B，并把权重、代码和数据逐步开放。开发者可以在64项任务之外继续检验模型的泛化边界，也可以开展二次开发和场景适配。从一台机器人延伸到一个可反复调用、适配不同任务的具身智能底座，这是宇树给出的目标形态。