刚刚，宇树通用人形“大脑”来了！能干64种活，多项空间能力超GPT-6

机器人前瞻（公众号：robot_pro）
作者 江宇
编辑 漠影

机器人前瞻9月10日报道，刚刚，宇树公开了新一代通用人形机器人基础模型UnifoLM-WLA-1.0。

这是一款参数量为60亿的具身智能模型。宇树称，其使用约2500小时高质量真机数据训练，一套模型即可驱动机器人完成64项桌面操作和全身操作任务，并能够同时适配平行夹爪以及两类灵巧手。

从官方展示来看，这64项任务包括10项全身操作任务和54项桌面操作任务。

▲倒垃圾（前半部分）

▲倒垃圾（后半部分）

前者涵盖倒垃圾、把衣服放进洗衣机、整理鞋子、收拾浴室和厨房、铺床、取蔬菜、整理沙发等场景；

桌面任务则包括叠毛巾、叠衣服、收纳餐盘、电池充电等。

值得注意的是，宇树为UnifoLM-WLA-1.0加入了一套“具身推理+未来变化预测+动作学习”体系：机器人既要理解当前看到的空间和物体，也要预测一次交互可能让场景中的什么地方发生变化，随后再生成具体动作。

宇树将其概括为：Understand the World, Connect with Action——理解世界，并将理解连接到行动。

目前，宇树官网中的Code、Models和Datasets均显示为Coming soon，相关代码、模型权重及数据集尚未正式开放下载。

项目主页：
https://unigen-x.github.io/unifolm-wla.github.io/

一、一套模型干64种活，还要同时控制手和身体

UnifoLM-WLA-1.0被称之为“通用人形基础模型”，核心在于把双臂协作和全身操作放进了同一套模型。

以往不少机器人操作模型主要关注机械臂和末端执行器，比如抓取、放置、整理物品。但当任务从桌面走向真实家庭环境，机器人经常需要同时移动身体、调整姿态，再配合双臂和末端执行器完成操作。

在宇树给出的案例中，搭载该模型的机器人可以同时调动双臂、末端执行器和下半身，完成多项需要全身协同的操作任务。

比如机器人整理鞋子、厨房、浴室时，涉及在更大空间范围内移动和连续操作；

▲浴室

铺床等任务中，双臂动作也需要和身体姿态进行配合。

▲铺床（前半部分）

▲铺床（后半部分）

宇树称，UnifoLM-WLA-1.0目前可以由同一套模型完成10项全身操作和54项桌面操作任务。同时，这套模型没有绑定单一末端执行器，可以支持平行夹爪和两种灵巧手。

宇树为此建立了一套统一动作空间，将机器人动作拆成末端执行器位姿、末端执行器关节和下半身关节三部分，再分别通过RVQ，也就是残差向量量化模型，将连续动作转化为离散Token。

▲离散动作学习

简单来说，机器人原本连续变化的手臂、手指和身体运动，被转换成了模型可以统一学习和预测的“动作词元”。这些不同身体部分的Token还会按照共享时间步对齐，一起送入模型，从而学习手、末端执行器和下半身之间的协同关系。

二、先预测“哪里会变”，再让机器人动手

UnifoLM-WLA-1.0另一个比较特别的地方，在于宇树把交互后的场景变化也放进了模型训练。

在真正动手之前，机器人通常能够大致判断自己的动作会带来什么结果。

比如叠毛巾时，手移动以后毛巾会发生形变；拿起餐盘后，餐盘原来的位置会变空；推动或者拿取一个物体时，真正发生变化的区域通常只占整个画面的一部分。

▲包装手机

宇树把这类信息称为Dynamic Region，也就是动态区域。

具体来看，其首先利用光流从前后视频帧中提取发生变化的区域，再通过VQ-VAE把这些连续变化压缩成固定长度的离散Token。此后，模型只需要看到当前图像+任务描述或动作条件，就可以预测未来哪些区域可能发生变化。

这样一来，模型学习的内容不再局限于“现在画面里有什么”，还包括“如果执行这个动作，接下来哪里可能发生变化”。这构成了宇树所谓的interaction-centric world modeling，即以交互为中心的世界建模。

在这一基础上，宇树又把视觉、语言、动态区域Token和动作Token放进统一的多模态模型中，形成UnifoLM-ER-Flow。

最终的UnifoLM-WLA-1.0则进一步在这套多模态骨干上增加MMDiT Action Expert动作专家模块，用于生成连续机器人动作。

三、500万份具身推理数据，7项开源评测拿下第一

在训练机器人真正“动手”之前，宇树还单独强化了模型的空间理解和具身推理能力。

其具身推理模型UnifoLM-ER-1-4B基于Qwen3-VL-4B训练，使用了超过500万份具身推理样本。这些数据覆盖图像点预测、物体检测、多图推理、2D轨迹预测、3D物体检测以及多图空间问答等任务，同时与通用图文数据共同训练，以尽量保留基础视觉语言能力。

▲模型架构

此次，宇树便公布了16项多模态感知和理解Benchmark结果。

UnifoLM-ER-1-4B在RefSpatial-Bench、Where2Place、PixMo-Point、BLINK、EmbSpatial、RoboSpatial和VSR共7项测试中取得参评开源模型最高成绩。

例如，其在Where2Place上取得82.0分，PixMo-Point为73.8分，EmbSpatial为88.9分，RoboSpatial为73.1分。

这组测评的参评模型中，也不乏GPT-6 Astra、GPT-5.6 Sol等顶尖闭源模型。在双方均参与的测试中，UnifoLM-ER-1-4B在多项空间理解任务上的成绩超过GPT-6 Astra。

其中，Where2Place达到82.0分，比GPT-6 Astra高13分；BLINK达到93.4分，高3分；CV-Bench达到88.6分，高1.3分；EmbSpatial达到88.9分，高5.6分。

结语：宇树继续补齐人形机器人“大脑”

从这次UnifoLM-WLA-1.0来看，宇树在人形机器人模型上的布局正在进一步完整：围绕人形机器人“大脑”的探索，已经逐步串起感知理解、交互预测到动作生成这条链路。

目前，宇树已经公开UnifoLM-WLA-1.0项目主页，并预告后续将开放模型、代码和数据集。

如果这三部分后续全部落地，开发者将能够更直接地验证其在64项任务之外的泛化能力，也能看到宇树这套路线在不同机器人和真实任务上的表现。