文章核心观点 - VLA-Adapter模型在机器人视觉-语言-行动领域实现突破，以仅0.5亿参数的轻量化设计，在性能上媲美甚至超越70亿参数的顶尖模型，同时大幅降低训练和部署成本 [4][11] - 该模型的核心创新在于提出了一种全新的桥接范式，通过高效的桥接注意力机制，解决了传统VLA模型对大规模预训练模型和高计算成本的依赖问题 [11][12] - 在多个基准测试中，VLA-Adapter展现出卓越的性能和强大的泛化能力，为机器人技术的实际应用和普及降低了门槛 [19][21][28] 技术方案与创新 - VLA-Adapter采用基于Qwen2.5-0.5B训练的Prismatic VLM作为骨干网络，参数仅0.5亿，无需机器人数据预训练 [11] - 其创新的桥接注意力机制包含两次交叉注意力和一次自注意力，通过可学习参数动态调节特征注入比例，确保训练稳定性和性能优化 [12][14] - 模型设计关键发现包括：使用VLM的中层特征更优、动作查询的深层特征更具优势、全层特征具有更好普适性，从而避免了选择最优特征层的繁琐过程 [18] 性能与效率优势 - 训练成本极低，仅需8 GPU·小时，是OpenVLA-OFT模型（304 GPU·小时）的1/38，可在单张消费级GPU上完成 [3][11][15] - 训练VRAM占用大幅降低至24.7GB，仅为对比模型的0.4倍；推理吞吐量高达219.2Hz，延迟仅0.0365秒，是对比模型的3倍 [3][15] - 在LIBERO基准测试中平均成功率达到97.3%，超越70亿参数的OpenVLA-OFT（97.1%）；在CALVIN ABC→D零样本泛化任务中平均任务完成长度达4.42，表现最佳 [3][19][21][22] 实际应用潜力 - 模型的高推理速度和低延迟使其特别适合需要实时响应的场景，如自动驾驶、物流机器人和交互式服务机器人 [28] - 轻量化设计降低了硬件需求，使中小型研究机构和企业能够更轻松地开发和部署VLA模型，推动了机器人技术的普及 [11][28] - 研究团队提供了开源项目页面，方便开发者获取模型详情和代码，促进了技术的共享与创新 [28]

公司技术研发方向 - 公司正积极招聘多模态强化学习算法人才，负责前沿算法的研究、设计与实现，以解决实际应用中的复杂问题 [6] - 公司致力于多模态大模型的训练、微调和优化工作，旨在提升模型在不同任务上的性能表现 [6] - 公司专注于多模态数据的收集、处理、清洗与分析，以构建高质量的训练数据集 [6] - 公司探索具身智能领域的前沿多模态大模型算法，并构建该领域的模型基座，优化实现包括数据整理、预训练、后训练、指令微调、人类反馈强化学习、思维链等一系列算法能力 [15] - 公司推进多模态大模型在具身领域的应用落地，目标是构建通用机器人大脑和具身智能体 [16] 公司核心技术能力要求 - 要求深入理解强化学习基本原理，并熟悉PPO、GRPO、DAPO等主流强化学习算法 [6] - 要求深入理解多模态学习原理，熟悉多模态融合、跨模态对齐等技术 [6] - 要求深入理解大语言模型/大视觉模型的架构和训练原理，熟悉Transformer结构，了解预训练、微调、提示工程等技术 [6] - 要求具备扎实的计算机视觉或自然语言处理基础，了解ViT、DINO、LLaMA等主流模型，并拥有相关项目经验 [6] - 要求熟悉多模态领域算法，熟悉LLaVA、Qwen-VL等基础视觉语言模型 [19] - 要求熟悉自然语言处理领域算法，熟悉BERT、GPT、LLaMA等架构 [19] - 要求熟悉计算机视觉算法，包括但不限于ViT、DINO、SAM、GAN、Diffusion等架构 [19] 公司人才招聘偏好 - 优先考虑在NeurIPS、ICML、ICLR、CVPR、ACL、ECCV等顶级学术会议或期刊发表过相关论文的候选人 [6] - 优先考虑有开源项目贡献经验或在GitHub上有活跃个人项目的候选人 [6] - 优先考虑在CVPR、ICCV、NeurIPS、CoRL等顶级会议上发表过论文的候选人 [12] - 优先考虑拥有相关数据集构建、基准搭建、真机系统优化部署和开源项目贡献经历的候选人 [12] - 优先考虑以一作身份在ICML、ICLR、NeurIPS、ACL、EMNLP、CVPR、ECCV、ICCV等顶会/顶刊发表论文的候选人 [19] - 优先考虑有实际机器人项目经验的候选人 [19] 公司具体岗位职责 - 具身智能大模型算法岗位需参与前沿算法研究，支撑数据生成、模型训练优化、评测迭代等工作 [7] - 具身智能大模型算法岗位需跟踪最新研究进展，维护算法框架，并开发、集成和优化具身智能系统 [7] - 具身智能大模型算法岗位需协同工程团队推动真机部署和开源开放项目，加速算法落地应用 [7] - 多模态数据岗位负责多模态数据的收集、清洗、标注和格式化，涉及空间理解、通用感知、视觉定位、具身推理等类型 [14] - 多模态数据岗位需为模型训练设计数据格式标准，构建高效的数据处理流程并进行规模化生产 [14] - 多模态数据岗位需构建多模态感知评测体系和流程，以支持全面、准确、高效的模型评测 [14] - 多模态数据岗位需研究前沿多模态模型、大语言模型及特定领域模型，以理解模型能力边界 [14] 公司对候选人的工程与技能要求 - 要求熟练掌握Python、PyTorch等编程语言和深度学习框架，并具备较强的工程实现能力 [12] - 要求具备较好的英文科技文献阅读及算法复现能力 [12] - 要求熟悉多模态数据的清洗、标注、加载流程，并了解数据优化技术 [14] - 要求有使用大语言模型/多模态模型的经验，理解其能力边界和适用场景 [14] - 要求能够设计和优化提示词，以提升生成数据的质量和效率 [14] - 要求熟悉Pandas、NumPy等数据处理工具，并能完成完整的数据处理流程 [14] - 要求熟悉Python编程，了解Linux环境和常见开发工具 [14] - 要求候选人拥有计算机、人工智能、机器人、计算机视觉或多模态大模型等相关领域的硕士及以上学历 [12][19]

行业技术发展现状 - 具身智能行业当前处于早期发展阶段，面临数据稀缺、算力不足和设备不成熟等挑战，与早期自动驾驶行业状况相似[1] - 数据采集成本高，行业采用real2sim2real或sim2real方案解决数据短缺问题，并借鉴自动驾驶数据闭环和自动标注技术[2] - 商业化部署优先选择已验证的成熟技术而非最新技术，例如VLA在智驾和机械臂应用较成熟但人形机器人应用难度大[3] - 人形机器人本体稳定性是关键挑战，需要开发类似自动驾驶的兜底方案防止摔倒或损坏[6] - 部署能力已具备轻量化技术，现有算力基本满足需求，预计随技术成熟将进一步提升一代[5] 技术方法论迁移 - 自动驾驶领域的优化方法论可直接迁移至具身智能领域，仅需调整面向对象和因素[1] - 采用机器人自采集数据并通过算法筛选dirty数据的方案，与自动驾驶数据处理流程高度相似[2] - 强化学习方法在具身智能领域仍然有效，应优先采用已验证的技术方案[3] 人才转型路径 - 自动驾驶与大模型背景人才转向具身智能领域难度较低，传统机器人背景人才也存在较多相似点[8] - 缺乏相关基础者需要完整学习体系，建议通过专业社区避免自学踩坑[8] - 行业已建立具身智能之心知识星球社区，汇聚近2000名成员，目标两年内达到近万人规模[10] 行业生态建设 - 社区覆盖产业、学术、求职、问答等多领域闭环，提供实时问题解答和技术分享[10] - 与智元机器人、有鹿机器人、优必选、傅里叶机器人、开普勒机器人等近200家头部企业建立合作[17] - 汇总40+开源项目、60+数据集及主流仿真平台，提供完整技术学习路线[17] - 建立高校与企业人才通道，覆盖斯坦福大学、清华大学、ETH等国内外知名机构[17] 技术研究体系 - 社区系统化梳理30+技术路线，包括数据采集、VLA模型、多传感器融合等13个核心领域[11] - 提供具身感知、强化学习、VLN等18个专项学习路线，加速技术入门与进阶[17] - 汇总国内外高校实验室、公司研报、零部件品牌等产业基础设施信息[19][22][29] - 持续更新开源项目、仿真平台、数据集资源，覆盖从基础研究到工程落地的全链条需求[31][37][39]

核心观点 - 宇树科技推出开源世界模型-行动架构UnifoLM-WMA-0 专为通用机器人学习设计 具备物理交互理解能力 支持仿真引擎和策略增强两大功能 [2] 架构设计 - 架构嵌入世界模型 支持决策模式和模拟模式运行 决策模式预测未来物理交互信息辅助策略生成动作 模拟模式根据机器人动作生成高保真环境反馈 [7] - 基于视频生成模型微调 以图像和文本指令为输入 生成未来交互过程视频 适配机器人操作场景 [11] - 动作可控生成功能通过五个开源数据集训练 可根据当前图像和未来机器人动作实现交互式可控生成 [11] 数据集与模型 - 提供两个模型版本 UnifoLM-WMA-0Ba基于Open-X数据集微调 UnifoLM-WMA-0基于五个宇树机器人开源数据集训练 支持决策和模拟模式 [13] - 数据集覆盖Z1和G1机器人形态 包含双臂堆叠箱体 清理铅笔 包装相机等具体任务场景 [14] - 所有数据集和模型均通过HuggingFace平台开源提供 [13][14] 技术实现 - 训练过程分两阶段 先在Open-X数据集微调视频生成模型 再基于宇树机器人数据集训练动作可控生成能力 [11] - 测试表明模型可作为仿真引擎 实现基于图像和动作指令的交互式可控生成 [11]

全球具身智能行业核心推动者概览 - 具身智能已成为全球商业化核心方向 国内外团队在硬件 算法及场景应用领域展开激烈竞争 技术架构革新推动研发资源 人才需求及市场竞争格局重塑[2] - 行业领军人物主导技术路线与战略决策 对抢占转型期先机具有决定性作用 涵盖学术研究 产品开发及商业化落地全链条[2] 国内具身智能企业及技术领袖 宇树科技 - 王兴兴主导四足机器人研发 推出Laikago AlienGo A1 Go1 B1等产品及Z1机械臂 拥有机器人相关专利100余项[4] - 开创低成本高性能足式机器人技术先河 2015年独立开发XDog四足机器人 公司获国家高新技术认证及专精特新"小巨人"企业称号[4] 星海图 - 赵行提出全球首个自动驾驶大模型"快-慢双系统"DriveVLM-Dual 应用于理想汽车 该架构成为Figure机器人Helix系统参考框架[6] - 许华哲系统性研究视觉深度强化学习与模仿学习 解决数据效率低和泛化能力弱问题 发表顶级期刊会议论文60余篇[8][9][10] 银河通用 - 王鹤创立具身感知与交互实验室 提出VLA大模型推动具身智能与大模型融合 自研仿真数据合成管线积累亿级真实场景数据及百亿级合成数据[12][13] - 开发轮式双臂通用机器人Galbot 获CVPR2019 Oral论文奖及世界人工智能大会青年优秀论文奖[13] 智元机器人 - 罗剑岚主导开发工业级强化学习系统SERL/HIL 实现机器人真机强化学习任务成功率100% 仅需20分钟学会精密装配[16][18] - 联合斯坦福 谷歌等机构构建全球最大跨场景机器人开源数据集Open X-Embodiment 获MIT TR35创新奖[18] 自变量机器人 - 王昊主导开发端到端具身大模型WALL-A 为2024年全球最大参数规模具身智能通用操作模型 构建统一认知与行动框架[20][21] - 开源具身智能大模型Wall-OSS并公开训练代码 支持开发者自有机器人微调与应用[21] 逐际动力 - 张巍聚焦全尺寸通用人形机器人研发 首款四轮足商用机器人W1已上市 全尺寸人形机器人将于2025年下半年公开销售[24] - 推动具身大模型技术研发及IDS生态平台建设 通过仿真数据和互联网视频数据降低数据成本[24] 星尘智能 - 来杰主导研发第一代AI机器人Astribot S1 采用"绳驱"传动方案 实现AI智能与操作能力深度耦合[26] - 拥有16年机器人研发经验 曾牵头百度小度机器人项目及腾讯轮腿式机器人Ollie开发[26] 云深处 - 朱秋国主持四足机器人"赤兔"和"绝影"研制 公司坚持全栈自研 拥有授权专利100多项[28] - 承担国家重点研发项目及国家自然科学基金10余项 发表学术论文40余篇[28] 千寻智能 - 韩峰涛主导研发国内首款高性能全身力控人形机器人Moz1 全身26自由度 负载自重比达1:1[31] - 公司成立1年4个月累计融资超10亿元 强调大模型与机器人控制深度融合[31] 国际具身智能机构与领军者 Physical Intelligence - Sergey Levine参与创立公司 成立1个月获7000万美元融资 2024年11月完成4亿美元新一轮融资 投后估值24亿美元[36] - 开发代表VLA落地最高水平的模型 强调真实世界数据对机器人基础模型发展的关键作用[36] Figure AI - Brett Adcock开发人形机器人Figure 01和Figure 02 搭载OpenAI大模型后实现搬箱子 煮咖啡等任务[37] - 发布Helix模型实现双机器人共脑合作 利用强化学习实现自然人形行走[37] 斯坦福大学 - 李飞飞发起ImageNet数据集成为AI技术基石 研究涵盖认知启发AI 机器学习及计算机视觉[40][41] - 联合创立非营利组织AI4ALL推动AI教育包容性 在《Nature》《PNAS》等顶级期刊发表论文[41] Skild AI - Deepak Pathak开发机器人"人工好奇心"技术 论文获超4000次引用[44][45] - 构建可扩展机器人基础模型Skild Brain 适应不同硬件平台和环境[45] 技术发展路径与行业趋势 - 技术领袖通过不同路径推进具身智能发展 包括学术算法深耕 产业量产强调 全链路自主研发及大模型与硬件协同[46] - 应用场景覆盖工业精准作业与家庭场景泛化 目标为打造适配本土需求的具身智能系统[46]

公司背景 - 公司Weave Robotic由前苹果技术高管Evan Winelan和Kaan Dogrusoz共同创立 两位创始人分别担任CEO和CTO 均毕业于卡内基梅隆大学并有苹果公司任职经历 [17][18][21] - 公司未正式发布产品时已完成三轮融资 团队具备苹果AI项目 Siri更新及Apple Watch iPhone产品研发经验 [5][18][21] 产品技术 - 机器人Isaacs为通用型家用机器人 搭载自主训练的视觉-语言-动作模型 能精准识别衣物类型和折叠边角位置 提供视觉决策支持 [12][20] - 采用高性能网络堆栈 支持人类操作员远程协助处理复杂情况 早期原型实现70%端到端自主折叠率 必要时才启动人工干预 [20] - 配备持续学习数据管道 每次折叠任务数据用于训练新一代模型 提升处理不同材质和款式衣物的效率与精度 [20] 商业应用 - 机器人已在美国付费洗衣房Tumble Laundry正式上岗 负责衣物折叠和收纳环节 为首个实现商业化衣物折叠的通用机器人 [4][5][9] - 折叠标准严格 要求衬衫版型均匀 边角整齐 衣领朝上 堆叠方向统一 并能自动整理操作台保持整洁 [6][7][8] - 未来计划拓展整理杂物 家庭安防等家务能力 设计注重隐私保护 闲置时自动关闭摄像头并降低躯干高度 [12][14][15] 行业定位 - 机器人突破展台表演阶段 率先进入商业场景 解决洗衣房人力密集型折叠环节 体现技术实用化进展 [5][6] - 公司目标为面向家庭场景设计通用机器人 强调快速完成实际工作 而非单一功能设备 [12][24]

文章核心观点 - 中国电信人工智能研究院提出名为“对齐-引导-泛化”的跨本体泛化框架，旨在解决视觉-语言-动作模型在后训练阶段面临的跨本体适配挑战 [1][2] - 该框架核心思想是在潜空间中对齐跨本体动作分布，并利用统一潜空间梯度引导VLA策略更新，实现从调架构到调分布的范式转移 [2][14] - ATE框架无需改动现有VLA主干架构，兼容Diffusion和Flow-Matching等主流模型，能极大减少VLA跨本体适配的数据需求 [2][15] VLA模型面临的挑战 - 现有VLA基座模型在进行目标场景应用时，需要采集数十乃至数百小时目标本体数据完成后训练，当目标场景本体和预训练本体存在差异时，预训练和后训练阶段的动作分布出现严重失配 [1] - 决定VLA能否进行跨本体迁移的关键是预训练阶段与后训练阶段的目标本体和任务的动作分布的一致性，当目标本体的机械臂构型、执行器形态、关节自由度与本体物理约束等发生变化时，目标动作分布会偏离预训练阶段学得的分布域 [10] - 单纯通过采集大量真机数据在后训练阶段弥补分布鸿沟，面临迅速递减的边际收益，即单纯数据堆叠难以有效引导策略抵达目标域 [10] ATE框架技术方案 - 框架分为两个阶段：第一阶段构建跨本体的统一动作潜空间，将预训练和适应阶段的动作数据嵌入到同一潜空间中，通过训练变分自编码器并利用反向KL散度约束，将适应动作的潜分布嵌入到预训练潜分布的特定模式中 [14][18] - 第二阶段在统一的潜空间上设计引导函数，利用由此得到的扩散/流匹配VLA模型的分类引导，在后训练阶段显式地将微调过程牵引至期望的目标分布 [14][21] - 引导机制通过能量函数和分类器衡量生成动作与目标动作分布的差异，其梯度被直接加到扩散过程的分数函数或流匹配的速度场更新式中，在每个去噪/流动时间步对生成轨迹的分布施加“拉力” [21][22] ATE框架优势 - 样本效率提升：潜空间对齐将策略搜索范围约束在包含目标分布域的流形上，显著降低了拟合到可行动作分布所需的数据量 [15] - 训练效率提升：分布引导避免模型全参数重训练，能够在既定训练预算内获得更快的有效收敛 [15] - 工程可复用性增强：潜空间引导只作用于动作专家模型后训练，与顶层模型解耦，具备即插即用的特性，可适配目前主流分层VLA [15] 实验验证结果 - 在ManiSkill与RoboTwin 1.0等多任务仿真评测中，相较于直接后训练，ATE算法平均多任务成功率最高提升9.8% [23] - 在真实机器人跨本体现实场景中，ATE带来最高32%的成功率增益，且表现出更稳健的收敛行为与对光照、干扰的鲁棒性 [23] - 在RoboTwin 1.0基准测试的17个任务上，ATE框架对RDT与PI-0模型的平均提升分别约为+9.8与+8.7个百分点，显示出跨任务的一致增益与较好的可迁移性 [24] - 在双臂睿尔曼实验环境的长序双臂协同操作任务中，通过采集少量真机数据进行后训练，ATE算法能够将基座VLA模型快速适配到目标本体上 [26][27]

大模型技术发展趋势 - 大模型已成为推动社会生产的重要工具，广泛应用于日常办公、自动驾驶、具身智能和AIGC生成等领域 [2] - 大模型产业正经历技术普惠化、应用垂直化和生态开源化的深度变革 [2] - RAG和AI Agent技术成为AI从业者核心竞争力，相关岗位需求旺盛且算法岗位年薪领先行业 [2] 技术社区建设 - 创建了集视频、图文、学习路线、问答和求职交流为一体的综合型大模型社区 [2] - 社区已邀请40+来自国内外知名高校和头部企业的专家，包括上交、清华、北大、上海AI实验室、港科大、阿里、美团、深度求索、字节、百度和月之暗面等机构 [4][66] - 社区提供学术进展追踪、工业应用交流、求职对接和行业机会挖掘等服务 [7] RAG技术体系 - 提供完整的RAG学习路线，包括Graph RAG、Knowledge-Oriented RAG、Reasoning RAG等子领域 [4][9] - 汇总了最新综述、开源仓库和BenchMark，涵盖RAG在视觉理解和AIGC中的应用 [11][12][14][16][18][21][23] - 包含个性化RAG工作汇总和专业技术资料，适合从入门到进阶的系统性学习 [4][11] AI Agent技术体系 - 详细解析AI Agent核心技术，包括前沿综述、强化学习、多模态应用和通讯协议 [25][27][29][31][32] - 汇总基座Agent、自进化Agent和Multi-Agent的最新研究成果 [34][36][38] - 提供Agent评测框架和开源工具链，覆盖工业界与学术界需求 [4] 多模态大模型训练 - 涵盖多模态大模型（MLLM）和视觉语言模型（VLM）的训练方法，包括微调、RLHF和MoE技术 [40][44][45][47][49][50] - 汇总开源数据集和提示适配器学习方案，支持3D世界应用开发 [42][51][53] - 持续扩展强化学习与模型优化模块，满足科研和工业落地需求 [40] 模型量化与部署 - 提供大模型量化、推理和部署的完整技术方案 [55][56] - 涵盖参数优化、推理加速和部署实践，助力模型高效落地 [58][60][62] - 扩展社区内容至工程应用领域，满足开发者对模型部署的需求 [56] 社区发展计划 - 计划邀请国内外顶尖学术界和工业界专家进行直播分享，内容可回放 [64] - 持续扩展专家网络，打造大模型前沿技术聚集地 [66] - 提供独家岗位招聘信息，赋能社区成员职业发展 [67]

VLA模型技术价值 - VLA模型整合视觉信息、语言指令和行动决策，显著提升机器人对复杂环境的理解和适应能力 [1] - 该范式打破单任务训练局限，推动机器人向通用化、场景泛化方向发展 [1] - 能够实现从视觉输入和语言指令到机器人动作的端到端映射，应用于复杂任务规划和执行 [8] 产业应用与商业化进展 - 广泛应用于制造业、物流和家庭服务等领域，支持机械臂、四足机器人和人形机器人等多种平台 [3] - 国内外具身智能领域处于蓬勃发展阶段，Unitree、智元、星海图、银河通用、逐际动力等团队从实验室走向商业化 [5] - 华为、京东、腾讯等科技巨头与Tesla、Figure AI等国际公司共同推动领域发展 [5] 前沿研究项目 - 推动多个前沿项目发展包括pi0、RT-2、OpenVLA、QUAR-VLA和HumanVLA [3] - RT-2、OpenVLA和PI0等模型实现从视觉输入和语言指令到动作的端到端映射 [8] - PaLM-E、RT-X等模型通过多模态预训练和微调策略增强机器人环境适应性和鲁棒性 [9] 技术演进路径 - 技术演进涵盖从早期抓取位姿检测到行为克隆，再到近期Diffusion Policy和多模态基础模型 [8] - 关注多模态感知融合、触觉反馈整合、基于物理的推理以及社会互动能力等前沿发展方向 [9] - 研究如何将大型语言模型推理能力与机器人控制系统结合，实现高级任务描述到低级运动规划的转换 [9] 核心研究挑战 - 面临跨域泛化、长期规划与世界模型构建等核心挑战 [9] - 未解决难点包括长期记忆、VLA+RL原子技能库构建、动作解码问题、多模态思维链等多个前沿方向 [15] - 突破"看得见但摸不着"、"只关注当下不能预测未来"等局限性，向通用机器人智能迈进 [9]

一起承接B端和C端在具身数据、本体、算法和部署等方面的咨询，助力产业升级转型、促进行业人才发 展。 在企业就职的同学也不用担心啦，我们将充分保护个人隐私。 课程开发 转眼到下半年，总感觉今年的规划完不成了，和年初的预期不太一样，因为真的有太多事情值得去做了。 具身这个领域的爆发有点迅速和集中，很多业务的需求非常大，特别是各类咨询和高校的课程&学科共 建。 一个社区的运营，离不开大家的鼎力支持，具身智能之心期望能够在这波的激流中贡献自己的力量，而不 是仅仅局限于媒体身份。我们致力于成为一个真的能给行业带来价值的平台。 我们真诚邀请那些对具身领域产生影响力的大佬。和我们一起在开源项目复现、咨询服务、课程研发、学 科共建、硬件研发等多个方向展开合作。 合作内容 开源项目 和具身智能之心一起搭建具备全球影响力的开源项目。 咨询服务 待遇说明 我们提供行业有竞争力的报酬（详细内容欢迎私聊），同时您也将拥有我们的行业资源。 联系我们 感兴趣的小伙伴欢迎添加微信oooops-life做进一步咨询。 和我们一起搭建能让更多初学者受益的课程，推动行业向前发展。包括C端、企业培训、高校学科建设。 硬件研发 和我们一起搭建好用、性 ...