真格天使项目「自然意志」发布首个物理通用基础模型 Natura-1

今天，自然意志发布首个物理世界的通用基础模型 Natura-1。

Natura-1 是一个拥有 500 亿参数的混合专家（MoE）模型，在 100 万小时的第一人称视角人类经验数据上完成预训练。它以语言和视觉为输入，能在 100 毫秒的控制回路中驱动 20 自由度的灵巧手。

Natura-1 可零样本地遵循复杂自然语言指令，在未见过的场景和任务上实现泛化，自主完成长而连续的工作流。比如折叠轻薄易变形的材料、以柔顺的笔触书写书法，或在多阶段任务中随时切换工具。

自 2026 年 4 月自然意志创立之初，真格基金便一路陪伴，见证团队将通用物理智能的技术探索逐步推进到今天的 Natura-1。

创始人丁宁 2018 年进入清华大学计算机科学与技术系攻读博士学位，后留校任教。团队是一支有着强大科研能力和丰富技术成果的年轻队伍。

自然意志的目标是通用物理智能，致力于构建直接从人类经验中学习、掌握通用灵巧操作，并能在物理世界中泛化的基础模型。

为此，自然意志自研了全栈基础设施：数据湖仓高效管理数十 PB 数据。数据管线涵盖清洗、标注、分布控制的全流程。自研底层算子与分布式训练引擎，协同优化样本分发、缓存预取与 GPU 计算。

Natura-1 正是首个基于此技术栈训练的模型，此系统的每个组件也都为进一步规模化而设计。

真实世界的表现

自然意志在真实世界评估 Natura-1 的能力。自建基准包含十二个维度，分为三组。

「灵巧控制」涵盖位姿控制与接触、双臂协同、手内操作、工具使用；「指令遵循」考察模型对达成目标的推理，以及对陌生的场景和空间布局、工具与物体、动作、任务组合的泛化；「长程执行」则评测模型在长时间工作流中的规划、记忆与恢复能力。

整个基准均由单个基座模型完成评测，并且该模型的机器人训练时均未见过这些评测任务及其场景、物体和动作组合。

由于没有很好的灵巧手通用操作模型，难以找到公平对比的基线，自然意志选择了 π0.5 和 GPT-6-Astra。但即便用相同机器人数据微调了 π0.5，并且给 GPT 6 Astra 设定了 60 分钟的执行时间，这两者在同样的灵巧手平台上，均无可计分结果。

为进一步相对公平比较，自然意志使用了这两者更熟悉的 ARX AC One 双臂夹爪本体，其中，π0.5 在同样真机训练数据的夹爪操作版本上进行了微调。

最终 π0.5 与 GPT-6-Astra 在夹爪上分别得分 13.5% 和 16.7%。而 Natura-1 在此 20 自由度灵巧手上的综合得分为 53.4%（Base）和 59.1%（Agentic）。

Natura-1 （Agentic） 在全部 12 个维度取得最高或并列最高得分。

1.1 长程灵巧任务

经过额外微调，Natura-1 展现出连续数分钟、无需人工干预的自主执行能力。在同一段工作流中，它处理不同材料与接触条件，衔接多个步骤，持续推进任务。

Natura-1 根据不断更新的观测调整抓握与运动，在新的工具、对象和场景中执行精细操作。高自由度的双手与模型的泛化能力，在实际动作中共同发挥作用。

1.2 零样本指令遵循

语言定义全局目标，现实反馈引导动作。Natura-1 能以零样本方式遵循陌生的指令。新的指令要求，往往同时带来陌生的空间关系、物体组合与操作目标。

模型需要理解指令中的约束，将它们对应到眼前的场景，再驱动灵巧手完成相应动作。

面对训练数据中从未出现的动作、对象与场景，Natura-1 组织双手稳步执行；当物体移动、接触条件改变或执行受到干扰时，它调整操作，忠实地完成用户发出的指令。

1.3 涌现的起点

在日常互动中，Natura-1 还展现出了一些超出想象的行为。

在抓取扑克牌测试时，扑克牌非常薄，模型根据物理直觉使用了一种全新的抓取方式，它将牌推过盒子边缘，创造出可供手指伸入的悬空部分，再协调双手拿起。

面对够不着的毛线团，模型被要求想办法拿到远处的毛线。它借助已穿过篮子的杆子，先将篮子拉近再取物。

在下面的任务中，Natura-1 完成了训练中完全没有出现过的任务：按一下笔记本电脑上的空格键唤醒电脑。

指令从未规定过这些中间步骤，真机演示也未曾提供这样的操作路径。模型根据眼前的现实规律，为目标组织出新的解法。

这类涌现行为或许是更通用物理智能的早期迹象：大规模人类经验可能让模型学到对物理机制的隐式理解，并在陌生情境中形成新的行动策略。

Scaling, Scaling, Scaling

人类经验的价值，既在规模，也在跨度。

Natura-1 的 100 万小时第一人称数据，覆盖绝大部分日常生活与生产场景。互联网视频丰富多样，用经验的积累不断拓宽模型所见的世界。

在自然意志的数据管线中，20 余种底层算子持续不断地执行去重、质量筛查、分布控制，从单目与双目视频恢复手部和全身运动，并把全局目标细化为子任务与原子步骤，形成视频—语言—动作多层级轨迹。

数十 PB 的数据湖仓承载整个流程，流水线每周可产出 35 万小时训练数据，且随计算资源呈线性扩展，让真实世界的经验持续汇入训练流程。

可规模化的基础设施必须同时满足两个要求：训练时，让模型持续以高吞吐量消费多模态轨迹；推理时，在 100 毫秒内回应真实世界。

前者需要分布式计算的持续高效，而后者则需要对整个执行路径中的延迟进行精准控制。

为此，自然意志从数据组织、分布式执行到 GPU 计算，软硬协同重建训练与推理技术栈。

训练端通过样本分发与缓存预取，减少填充浪费和空闲等待；在实测生产配置下，模型算力利用率（MFU（））超过 50%，GPU 利用率达 98%。推理端以 Rust 协调调度与会话，复用常驻 GPU 的状态缓存。

自研 Attention 算子在前向和反向基准测试中平均达到了约 1,200 TFLOP/s 的吞吐量，超过了经过调优的 FlexAttention 基线性能的 6 倍。最终单次从观测到动作的端到端推理延迟被严格控制在 100 毫秒内。

Natura-1 的架构围绕一个问题展开：怎样从每一段经验里汲取更多智能？

语言、图像、视频和动作被放入同一个 500 亿参数 MoE 模型，指令理解、世界建模与动作生成由同一个序列模型共同学习。

Natura-1 在模型架构设计上，遵循以 Scaling 潜力的第一原则，其模型架构几乎接近一个标准的端到端 MOE Transformer，将所有的归纳偏置限制在序列内的多模态数据组织方式，以及注意力机制的因果性关系上。

这使得模型在训推效率的优化潜力上，能够比肩前沿 LLM 及视频生成模型。

自然意志将同一时刻的视频画面和动作位姿视为同一物理状态的两种不同投影。 尽管高质量的动作标签较少，视频却贯穿每条轨迹。

Natura-1 将过去视频作为记忆、未来画面作为世界建模目标，通过联合去噪与 Flow matching 学习视频和动作，从丰富的视频中获得动作标签之外的监督。

预测下一步，还需要理解人的意图。通过拟合视觉和动作位姿的联合分布，并不必然能够产生这种理解能力。

自然意志用细粒度语言监督，让不同意图对应不同的视频与动作预测，使「接下来怎么做」完全取决于人提出的目标。再用少量机器人数据进行后训练，将从人类经验中获得的能力适配到特定机器人平台上。

自然意志将数据管道、模型架构和基础设施进行一体化设计，旨在将更多的人类经验转化为更精准的行动预测。

随着训练从约 4.4 万小时的经验推进至 100 万小时，预测误差在未参与训练的人类数据和机器人验证数据上均明显下降。

这些曲线为集成缩放策略提供了实证检验，随着在数据和算力方面的持续投入，自然意志旨在拓展其能力的规模与广度，并朝着通用物理基础模型的方向不断迈进。

Natura-1 初步证实了灵巧操作执行与开放世界泛化可以同时收敛在单个统一的通用系统中。

这意味着人手级别的精细操控能力无需针对每种场景设定单独开发，而是可以从基础模型中随着人类经验的规模化而涌现。

人类用双手塑造了这个世界。如今，机器也开始从这些经验中学习，理解人的意图，并用灵巧的双手改变世界。

点击「阅读原文」跳转阅读完整技术 Blog：https://www.naturewill.com/blog/natura-1