机器人操作

MiMo是小米推出的通用智能平台大模型，专注于智能体代理与长程连贯推理。它通过网页演示与API门户支持快速集成，具备针对长周期代码任务的计算、记忆与进化设计核心。该平台支持多模态交互、开源语音识别与智能体语音合成，通过将复杂世界压缩为可理解语言并预测所需答案，辅助开发者高效构建应用

Gemini Robotics 2 是 Google DeepMind 发布的视觉-语言-动作（VLA）模型，将视觉与语言输入转换为机器人运动控制，可在双手机器人上数小时内完成适配，并扩展到复杂人形机器人的全身智能控制，实现精细灵巧操作与智能体推理。

FLUX 3 是 Black Forest Labs 发布的多模态基础模型，基于 Self-Flow 方法在单一架构中联合学习图像、视频与音频，同一组权重即可输出图像、视频、带原生音频的视频以及机器人动作预测。FLUX 3 Video 可单次生成长达 20 秒、带原生音频的视频。模型提供 API、Playground 在线试用与开放权重部署，支持按需付费与商业授权，面向内容创作与物理 AI 场景。

Galbot 银河通用是全球具身智能机器人公司，致力于具身多模态大模型通用机器人研发，服务千行百业、千家万户。团队发布全球首个面向具身智能大模型的测试时后训练框架 WAM-TTT，基于预训练世界动作模型（WAM），仅凭未标注人类视频即可在部署阶段适配新场景，实现机器人部署后的持续学习与跨场景泛化。

Gemini 4 Argon 是 Google DeepMind 推出的旗舰多模态 AI 模型，面向软件工程、金融、法律与网络安全等领域的长周期复杂任务。它具备跨学科推理、代码编写与多步骤任务持续能力，可自主发现、验证并修补关键软件漏洞，在提示注入防护上为迄今最强。模型支持最长达约一百万词元的输出与超长上下文，并具备视频等多模态理解能力。目前谷歌先向受信任的网络安全合作伙伴小范围开放，完成更多测试后将优先面向付费订阅用户扩大开放。

SGLang 是由非营利开源组织 LMSYS 托管的大语言模型与多模态模型高性能推理服务框架，面向生产级部署设计，可在单卡到大规模分布式集群之间提供低延迟、高吞吐的推理服务，目前支撑全球超过 40 万块 GPU 上的大规模生产部署，每天生成数万亿 token。

Booster K1 是加速进化（Booster Robotics）面向开发者的人形机器人与具身智能开发整机，官网定位 Embodied Development Platform，支撑 RoboCup 等具身算法开发，具备竞速、避障导航与开门操作能力。K1 探索版 2026-09-18 发售，高约95cm、重约19.5kg、22自由度、48TOPS，标配豆包大模型，经双目深度相机与三麦克风阵列加扬声器实现语音交互，开放API可DIY，支持OTA升级，京东售价38999元。

Dyna-2 是 DYNA Robotics 发布的世界动作模型（world-action model），在超过 100 万小时人类第一人称视频上完成预训练，可预测动作并生成视频片段。官方研究页显示其在留出人类数据与零样本机器人数据上均呈现单调提升的规模定律，并在两种机器人本体、39 项机器人任务上验证了人类到机器人的迁移能力。

Figure Helix 是 Figure 公司为其人形机器人 Figure 03 打造的通用视觉-语言-动作（VLA）AI 系统，在机器人本机实时运行感知、运动与推理完整闭环，无需脚本即可自主判断并执行任务，可在不断变化的家庭与物流环境中导航并持续习得新技能。2026 年 9 月发布的 Figure Helix 2.5 为端到端机器人模型，在湾区 30 个未见过的家庭中零样本执行家务，整体成功率从 9% 升至 56%，机器人到场后未经额外训练即开始有用工作。

GEN-1.5 是机器人初创公司 Generalist AI 发布的具身基础模型（Embodied Foundation Model），是一个处理视频输入并输出 100Hz 动作轨迹的多模态模型。它能将数秒至约 12 秒的演示作为上下文提示载入记忆，让机器人无需梯度微调即可执行新任务，支持一次性/少样本学习、组合提示词形成更长序列、从仿真演示零样本迁移。公司称这是首个让一次性物理技能学习规模化涌现的模型，但能力多为预训练中自行涌现，测试结果均未经独立验证。

HiPHI 是诺亦腾机器人发布的高精度光学动作捕捉基准数据集，总长617.5小时，面向人形机器人学习、数字人与计算机图形学领域的研究人员和工程师。数据集提供标准化 BVH 动作数据，人-物交互部分含同步物体轨迹与 OBJ 网格，并以动作单元按 FrameNet 语义框架结构化整理，支持跑步、搬运、拖拉行李箱等具身动作学习，可在 Hugging Face 请求访问后下载。

HSImul3R 是大晓机器人（ACE Robotics）联合南洋理工大学 S-Lab、上海人工智能实验室提出的人–场景交互三维重建框架，已被 ECCV 2026 接收。它以物理闭环双向优化让仿真器监督人体运动与场景几何，输出可直接进入物理仿真的稳定重建结果，并将优化动作重定向部署到 Unitree G1 等真实人形机器人，配套 HSIBench 基准评测交互稳定性。

M-Robots OS 是由开放原子开源基金会孵化运营的全国首个基于开源鸿蒙的分布式异构多机协同机器人操作系统。3.0 Beta 版转向群体智能，构建安全实时可信的分布式底座，基于单芯多内核混合部署实现微秒级硬实时响应，打造 Agent Native 框架与 M-Claw 支持多机器人自组网、分布式能力共享与动态任务分配，适配 ARM、RISC-V、LoongArch、x86 四大架构，兼容 ROS、Dora-rs、OpenHarmony 三大生态。

Microduck 是 Pollen Robotics 推出的开源双足机器人，身高约 25cm，可捡拾物品、踢球、坐立站起，还能穿轮滑鞋移动。其行为以强化学习策略形式在物理仿真中训练、一键部署到真实机器人，用户可重训练新动作并发布策略。机器人内置摄像头、激光雷达与 IMU，搭载瑞芯微 RK3566，软件开发包与完整 RL 训练栈开源，可通过游戏手柄或激光笔操控，预售价 399 美元。

MiniCPM-Robot 是面壁智能（OpenBMB）面向真实世界感知、决策与行动的开源具身智能模型系列。首批包含 1.5B 通用机器人操作 VLA 模型 MiniCPM-RobotManip，一套权重覆盖下游任务并支持流式上下文记忆；以及 0.9B 纯端侧具身目标跟踪方案 MiniCPM-RobotTrack，覆盖静态、动态与对抗目标。配套 PhyAI 推理框架在 NVIDIA H20 上将推理帧率从 10 Hz 提升至 37 Hz。

Model Hardware Standard（MHS）是 Anthropic 发布的模型硬件标准，可视为物理世界的 MCP。它通过标准化驱动接口与机器可读设备描述，将不同厂商硬件各自的控制方式转译为 Agent 可发现、可读取、可调用的一致接口，让 Claude 等智能体无需预先学习每款设备接口，即可通过 MCP、命令行或代码控制显微镜、机械臂、液滴处理器等设备并读取实时状态。目前面向科研机构和先进制造厂商开放研究预览，未来计划开源，适用于任何可编程接口设备且与模型无关。

Motus2 是生数科技（GensPI）与清华大学联合发布的自进化通用世界模型，面向机器人灵巧操作。单个共享参数模型同时提供策略、模拟器与评估器三个接口，把行动、后果预测与结果评估耦合成闭环，通过 Best-of-N 规划与基于模型的强化学习（MBRL）持续改进策略。模型基于约13万小时人类第一视角数据分层预训练并完成机器人域适配，内置触觉专家与工作记忆，已部署在 Sharpa Wave、WUJI Hand 2 等灵巧手平台。

PhanthyMotus是由范式推出的下一代开源具身智能Agent框架与平台，基于ROS2构建，通过可插拔的多模型框架灵活集成World Models、LLM与VLM，并提供长时记忆、动态技能库与持续Agent循环的全栈架构。它统一传感器与驱动器接口，实现多传感器融合与精准电机控制，硬件可扩展覆盖人形、四足、机械臂、轮式平台与无人机全形态，支持远程调试与代码复用，帮助开发者零门槛构建可感知、思考、自主行动的具身智能体。

PhysBrain 1.5 是深度机智（DeepCybo）发布的开源物理基座模型，基于 Qwen3-VL，在单一自回归主干下以离散 token 统一具身理解、动作生成与未来状态预测。模型可理解视觉空间场景、生成跨机器人平台的末端执行器动作轨迹，并预测未来一步的 RGB 图像、深度图与机器人掩码。提供 2B 与 8B 两档权重、技术报告与评测工具包，在 28 项具身基准上以 72.5 分位列开源第一。

Physical Intelligence 推出的 Pi API beta，让开发者上传机器人数据，在平台托管的算力上微调 π0、π0.5 等通用机器人基础模型，并通过托管网关在自己机器人上运行云端推理。开发者可自行完成“采集演示-训练-测试-补充数据”的迭代闭环，Actor、Almond 等合作伙伴已在轮式装载机、双臂机器人等真实部署中用它提升自主作业能力。

RPent（Recursive Physical Agent）是由清华、无问芯穹、正行创新发起、RLinf 团队打造的开源具身智能体基础设施。通用大模型负责理解与规划，VLA/WAM 等专家模型负责高精度动作，配合三层 Memory 与 Flash Mode 任务卡复用，形成观察-规划-执行-反馈闭环；支持 LIBERO-PRO、RoboCasa 等仿真及 Franka、SO-101 等真机，LIBERO-PRO 成功率 92.6%。

SmoothRL 是星尘智能（Astribot）基座模型团队发布的基于异步推理执行的在线强化学习框架。它在真实机器人异步推理与部署下，将 action chunk 划分为已提交、执行与丢弃三个区域，仅让梯度穿过机器人真正执行的动作，使训练优化目标与真实执行时间线一致，并从训练起就运行异步推理以对齐部署节奏。以冻结基础策略为先验，轻量子策略在原始动作空间做残差修正，支持实时人工介入与稀疏奖励。在绳驱本体 S1 的动态投掷、给笔戴帽、快递开箱等真实任务中显著提升成功率并降低急动度。

Xiaomi-Robotics-1 是小米技术发布的具身基座模型，结合10万小时无本体（UMI）真实世界操作数据预训练与约10000小时跨本体后训练，可根据自然语言指令直接执行移动操作任务。在RoboCasa365基准平均成功率57.4%，在RoboDojo仿真评测登顶Leaderboard。

小鹏第二代 VLA 是小鹏汽车全栈自研的视觉-语言-动作（VLA）端到端智驾大模型，基于统一技术底座贯通 L2 至 L4 能力，配套图灵 AI 芯片与云端大模型，通过 NGP 实现无断点车位到车位领航。XOS 6.3.0 版本引入 X-Foresight 预测世界模型与 Infini-VLA 长时序架构，可预判周边交通参与者未来行为并保留约 30 秒时序记忆，从 3D 空间识别升级为 4D 时空理解。