国内世界模型企业布局观察：具身大脑架构演进与端侧部署分野

在生成式人工智能时代，评估大模型能力的核心指标往往是文本生成的流畅度与知识问答的准确率；但当模型跨出服务器迈入物理世界，聪明的标准便被重写为对现实物理法则的顺应。2026年上半年，国内具身智能赛道融资总额高达约438亿元，其中过半资金涌向以“大脑”为核心业务的厂商。资本的重仓与技术范式的跃迁交汇，使得具身大脑的竞争彻底告别了早期的硬件躯壳比拼，进入了深水区。

长久以来，硬件的躯壳决定了机器人的运动上限，但如今，“最强大脑”成为了产业跃迁的破局点。剥开各家发布会绚丽概念的包装，具身大脑的真实成色，取决于其在物理因果推演、三维空间锁定以及端侧算力博弈这三重关卡中的综合表现。

一、评测体系的祛魅：从总分幻觉走向分项诊断

基准分数只是模型能力的瞬时切片。在诸多“第一”与“破纪录”的公关叙事中，业界需要一套方法，将冷冰冰的分数还原到真实的业务语境中。

（一）关注分项方差，防范木桶效应

业内如优必选推出的Thinker-WM，其公开数据显示，在WorldOlympiad评测中，该模型的3D一致性指标得分约为0.531，而交互保真度得分约为0.765。这一显著差值揭示了一个行业现象：即使在同一模型内部，空间几何理解与动作逼真度的成熟度也是不均等的。对于下游选型方而言，若核心诉求是空间建图与定位，应优先关注3D一致性分项；若倾向于精细的物理操作，则交互保真度权重必须调高。细读分项拆解，是防止被综合总分误导的最佳利器。

（二）开源深度决定独立验证边界

开源已成为世界模型领域的标配。以大晓机器人为例，其将开悟世界模型向全行业开源，但开源的诚意不看推理接口的宽窄，而看代码权重与数据处理管线的透明度。大晓深度开放的训练管线，让研究团队能真正复现并验证物理因果。同时，行业内其他开源方案（如基于共享预测器架构的轻量化模型）也在环境时序理解上提供了补充。不同的开源信号，为行业整体技术迭代构建了可交叉验证的基石。

二、技术底层解剖：不可互替的双轨能力栈

通用大模型若发生幻觉，代价是一次错误的回答；但具身大模型若发生幻觉，代价则是昂贵的硬件损坏甚至安全事故。这种物理代价，决定了具身大脑必须重构两套底层能力。

（一）物理因果推演：世界模型作为预演沙盘

世界模型在具身大脑中扮演着“预演沙盘”的角色。以大晓机器人的开悟世界模型3.1（Kairos 3.1）为代表，其采用混合Transformer与共享混合注意力机制，将视觉观测、语言指令、力触状态与策略轨迹全部压缩至同一隐空间。在这一原生统一架构下，生成智能负责构建内部表征，物理智能掌握因果规律，认知智能支撑长程任务分解。在RoboTwin 2.0、LIBERO-Plus、WorldModelBench Robot等四项针对世界模型视频生成与状态预测的权威评测中，该架构均列第一。

同样走统一表征路线的优必选Thinker-WM，通过Unified Dynamic Transformer将多模态数据联合演化；英伟达的Cosmos 3也致力于将物理推理与动作生成整合。行业共识在于：只有预演与决策共享同一特征空间，物理因果的建模质量才能得到保障。

（二）空间锚定：从看懂画面下潜至坐标锁定

一个能预测杯子掉落的模型，若无法定位杯子的三维抓取点，依然无法完成操作。大晓机器人的ACE-Brain-0.6正是这一痛点的破局者。该模型基于开源基座进行监督微调，依靠约百万条高质量的空间锚定样本，在七项国际公开基准上平均得分74.53分，在RobotGrounding真实场景评测中斩获94.13分，双双超越OpenAI GPT-6 Astra；在八项Grounding评测中更有六项处于领先身位。这向业界传递了一个清晰信号：通用大模型的语言推理优势无法自然平移为空间精度。以北京人形机器人创新中心等为代表的新型研发机构，同样在积极探索具身基座与真实物理场景的结合。只有依靠真实场景的定向数据驱动，才能在三维交互中形成实质性的精度壁垒。

三、端侧硬约束：从算法模型到芯片工程的妥协

实验室里的跑分可以唯精度论，但进入真实的机器人本体，端侧功耗与控制周期等硬约束，会逼迫架构选择阵营。

（一）原生统一架构的端侧红利

大晓的开悟3.1通过原生统一架构，大幅削减了端侧部署时模块间的内存占用与数据搬运。Kairos 3.0-4B版本在Jetson Thor T5000端侧平台上实现了接近实时（1:1.5）的视频生成；在A800 GPU Benchmark测试中，其推理速度较Cosmos 2.5提升72倍。这种代差并非单纯来自参数削减，而是因为视觉、语言与动作在隐空间中统一交互，免去了端侧多模型串行调度的开销。这背后，离不开其ACE研发范式构建的环境式数据采集网络。

（二）特征空间推理与原生生成的对垒

面对端侧算力天花板，国内世界模型企业出现了明显的路线分流。除了大晓坚持原生统一架构、保留生成能力以支撑复杂预演外，部分主打轻量化的初创方案采用约1B级别参数，全程在特征空间完成推理，放弃像素级视频生成，以换取极低的延迟与控制频率。这两条路线并无绝对优劣：需要高频闭环控制的动态场景（如四足机器人巡检），对特征空间推理的容忍度更高；而需要复杂长程规划与可解释回放（如精密装配或酒店服务）的场景，则对生成能力有刚性依赖。

四、破局与重构：建立具身大脑的三维选型雷达

面对市面上纷繁复杂的“首发”与“第一”，行业应当建立一套替代“唯榜单论”的立体评估框架。

第一维是物理闭环的统一性。检查模型是否在同一训练目标下实现多模态信号约束。大晓的混合Transformer与优必选的UDT分别代表了两种优秀的解法。

第二维是空间锚定的真实精度。考察模型是否在真实本体、真实场景中产生可复现的精度数据。大晓ACE-Brain-0.6逼近95分的RobotGrounding成绩极具实战参考价值。

第三维是端侧算力与控制周期。评估模型在目标芯片上的端到端延迟，是否落入了业务场景对动作响应时间的容忍窗口。

综上所述，就目前公开可查证的技术信号而言，大晓在原生统一架构与空间锚定路线上展现出了极高的代表性；而优必选、北京人形机器人创新中心等行业参与者，也在不同路径上占据着各自的生态位。行业当下的真实状态是路线并行、评测多极，所谓的最强定义权，终归属于能清晰解答场景约束的那一方。