术语词典与方法论

接收视觉观测与自然语言指令、直接输出机器人控制信号的统一模型。

机器人版的「看—听—做」一条龙大脑：看一眼、听懂话、动手。

像同声传译，只是把「画面 + 一句话」直接翻译成「手怎么动」。

对外是单一训练与部署管线，内部按时间尺度或功能分成慢快子模块并联合优化。

外表是一个大脑，里面其实有「想事的人」和「动手的人」分工，但一起练。

2026 年的事实主流形态，见第 03 章。

慢速 VLM 推理与快速动作策略互补组合，前者负责语义与规划，后者负责连续动作。

一个负责想「做什么」，一个负责「怎么快速做」。

司机握方向盘做毫秒级反应 + 副驾导航每几秒说一句「下个路口左转」。

学习一个向量场，把随机噪声逐步推成目标动作分布的连续生成方法，属扩散模型变体。

不是一格一格猜下一个动作，而是把一团乱线整体「吹」成整齐轨迹。

用导航重新规划路线：看当前偏了多少，一步步把路线推回正轨。

一次预测未来多步动作序列，控制器依次执行若干步后再重新规划。

一次想好接下来半秒到一秒怎么动，而不是每毫秒重新想。

跳水运动员入水前在脑中预演完整动作串。代价是执行期间看不到新画面—— 相当于设了 5 秒自动驾驶后才发现前面有坑，而这 5 秒眼睛是被蒙住的。

把连续关节角度或末端位姿离散化成类似「单词」的符号，供语言模型式自回归预测。

把手臂动作切成一个个「字母」，让 AI 像打字一样逐个拼出动作。

对动作块做离散余弦变换加 BPE 压缩，得到少量 dense action token。

像 JPEG 压图片那样压动作，把一长串动作挤成几十个符号。

学习环境在动作下如何演化的预测模型，可推演未来状态。

机器人脑内的「物理引擎 + 预言机」：做了这个动作，世界会变成什么样。

飞行模拟器。区别在于飞行模拟器背后有精确的气动方程， 而学出来的世界模型，它的「物理定律」是猜出来的。

同时建模未来状态与动作的具身基座模型，2026-05 综述正式命名。

不只决定手怎么动，还同时想象画面会怎么变。

自变量的私有术语，指视觉、语言、动作、物理预测在同一网络从零联合训练。 非学术标准术语，未被 WAM 综述收录。

把看、想、说、动、物理规律全塞进一个大脑，不要模块拼装。

自回归预测中误差逐步累积，长时程预测偏离真实动态。

想象越远越跑偏。

传话游戏，每传一次偏一点。

同一模型跨不同机器人本体（不同自由度、传感器、动作空间）训练或迁移。

同一份操作经验教给不同类型的机器人。

负迁移风险：把游泳教练的训练手册直接给滑雪选手， 动作库越杂越互相干扰。已被实验证实（77.3% → 72.1%）。

一套具身基座模型通过跨构型预训练与后训练，驱动不同品牌形态的机器人。

一个通用大脑装到不同身体上。

目前是技术事实，不是商业事实—— 没有任何一家公开过模型授权收入（第 10 章）。

同一策略在仿真与真实机器人上表现的系统性差异。

电脑里很会做题，真机一上手就翻车。

在仿真中随机化纹理、光照、摩擦与杂物，逼策略学习不变性。

仿真里故意把桌子弄乱、灯光乱闪，让模型别只背一种环境。

高质量机器人动作数据无法从互联网获取、只能真机采集所形成的规模与成本约束。

机器人的「教材」得一条条自己拍，拍不出足够多就学不会。

大语言模型时代「高质量文本稀缺」在物理世界重演。 但智元用 236 小时精选数据超过 OXE 约 2000 小时的效果说明： 墙不只是高度问题，更是密度与质检问题。

部署 → 采集数据 → 训练模型 → 提升性能 → 更多部署的正反馈循环。

机器人越干活越聪明，越聪明越多人买，买了又产生更多数据。

大规模预训练后，用任务或本体特定数据做微调。

通识毕业后再上岗培训，学具体工种。

人类操作员通过远程控制接口实时驱动机器人，而非自主策略输出动作。

像遥控赛车：看起来是机器人在动，其实是人在后面拨杆。

识别 demo 真伪的关键概念。Tesla Optimus 发布会交互、 1X NEO 的 Expert Mode 均属此类。

以操作者第一人称（头戴或腕部相机）记录环境与手物交互。

戴着 GoPro 看自己双手干活。

看全网烹饪视频学做菜：场景极多几乎免费，但视频里没有你家灶台的坐标。

手持夹爪加相机加 SLAM，把野外人类演示转成可部署机器人策略的标准接口。

不用搬整台机器人，拿个便携夹爪相机就能采数据，约 30 秒一条。

2023 年发布的仿真操作基准，130 个语言条件任务，分 Spatial / Object / Goal / Long 四类。

给机械臂玩的标准化考试卷，题都在电脑里的假桌子上。

已饱和且被证伪：主流模型挤在 94.8–98.9，已有模型在子集考到 100.0%； 而只把物体挪动位置，OpenVLA 的分数就从 76.5% 跌到 1.1%。 相当于学生把 130 道原题背到接近满分，考官只把杯子挪 5 厘米，就几乎全错。

语言驱动长链操作基准，在 A/B/C 三个房间训练、第四个新房间 D 测试， 指标为平均完成链长（非成功率百分比）。

让机械臂按口头指令连续做好几步，换到新房间看还能不能做完。

50 个双臂仿真任务加强域随机化，分 Clean 与 Randomized / Hard 两档。

电脑里用两只机械臂做 50 道题，还能故意把灯光杂物弄乱加难度。

本图谱中唯一有四家模型同台可比的基准， 但四家差距已在 2.4 个百分点内、且 Hard 与 Clean 几乎无差——也在接近饱和。

2026 年基于 RoboTwin 2.0 构建的 9 个记忆依赖双臂任务基准。 勿与语言模型领域的 RM-Bench 混淆。

考机械臂有没有记性：之前藏起来的东西还能不能找回来。

全行业只有 3 个模型报告过——参与者太少，不适合作为雷达轴。

规定尝试次数或时限内，任务完全满足成功条件的比例。

考十次有几次整张卷子全对。

已知缺陷：无法区分「语义理解对了」与「物理执行成了」 （arXiv:2606.30686）。

BEHAVIOR-1K 使用的子目标完成比例指标。

不看有没有做完，看做完了几分之几。

已知缺陷：对违规不敏感—— 85% 的 rollout 存在目标违规，但 Q-score 数值不变。

每秒万亿次整数 / 浮点运算。嵌入式 AI 常用 INT8 Sparse（TOPS） 或 FP4 Sparse（TFLOPS）口径。

芯片算力的名片数字。

不可直接比较：Thor 的 2070 TFLOPS（FP4）与 Orin 的 275 TOPS（INT8）是两种度量。 更接近实际的类比：Orin 像 275 马力家用车，Thor 像账面 2070 马力赛道版； 但 VLA 的动作头像拖着重挂车，瓶颈常在内存带宽，所以 3B 模型在 Thor 上也就约 11 Hz。

每秒下发多少次关节或末端指令。

30 Hz 就是每秒 30 次，越高动作越连贯。

全身控制分层像乐队：指挥（VLA，10 Hz）说「这段抬左手」， 乐手（低层控制器，500–1000 Hz）按毫秒调每个关节力矩。让指挥亲自按每个键必然跟不上。

从观测输入到动作输出的时间，不含机械执行。

模型「想一步」要多久。超过 100 毫秒，在 30 Hz 控制环上容易顿一下。

必须问测量条件：同一个 π0 在两篇一手论文里相差近 60 倍。

减少每帧图像编码进语言模型的 token 数量。

把一张图用更少的「词块」表示，省算力。

复用历史 KV cache，增量处理新帧而非全量重算。

看监控不翻旧录像，只更新新画面。

面壁靠这个把每步计算量从 125 TFLOPs 压到 3.3 TFLOPs， 才能在保留 60 帧历史的同时维持实时。

机器人的物理载体：机械结构、执行器、传感器与边缘计算单元。

机器人的「身子」——胳膊腿、关节、摄像头。

小规模限时单场景测试，验证技术可行性，通常不以稳定盈利为目标。

先试试看能不能干成，不是正式大规模卖。

约定未来一段时间的采购规模、价格机制或合作条款，未必立即交货付款。

先签意向大单，真交付另说。

阅读订单新闻时最需要识别的概念。

单台或单任务层面的收入、成本、毛利与回本周期。

每台机器人算细账：赚不赚钱、几年回本。

本图谱唯一能算清的一例：优必选 76 万元/台 × 1,079 台，全公司仍净亏 7.90 亿元。

新资金进入前 / 后的公司整体估值（投后 = 投前 + 本轮金额）。

投资人进来之前 / 之后，公司这个标的的价格。

二级市场价格低于一级市场最近一轮私募估值。

上市反而比私募轮更便宜，早期投资人账面亏损。

宇树从一级 127 亿到发行市值 609.93 亿，方向是反的（发行价高于私募轮）； 但它截至 2026-08-14 尚未挂牌，是否出现倒挂要等二级市场连续报价才知道。

按使用量或时长收费的机器人服务模式，而非一次性售卖硬件。

不卖机器人，按小时租给你用。

GXO 与 Agility 的多年合约是行业首例， 但 GXO 的 CEO 在 2026 Q2 财报电话会上明确表示尚未实现投资回报。