9月的第二周和第三周，具身智能赛道像是约好了一样，模型发布密度突然拉满。
Figure在9月17日放出Helix 2.5，宇树在9月10日开源UnifoLM-WLA-1.0，松延动力在9月8日发布HERON-World Model、9月15日紧接着推出HERON-CRA。再加上智元在9月9日一天内连发AGILE 2.0和GE-Act 2.0——短短十天，至少五款具身模型密集亮相。
这不是巧合。我翻了翻几家公司的发布节奏，它们各自的时间表原本并不重叠，但最终撞在了同一个窗口期。这说明一件事：行业对“接下来该做什么”的判断，已经趋同了。
五款模型，各在做什么
Figure Helix 2.5的核心实验设计很硬。Figure在旧金山湾区租了30套从未采集过数据的真实民宅，把搭载Helix 2.5的Figure 03送进去，不遥操、不微调、不提前采集环境数据，直接执行整理房间、叠毛巾、铺床三类长程任务。420次试验，237次成功，零样本成功率56%。作为对照，同样硬件、同样任务数据、但没有经过Index预训练的策略，成功率只有9%。更关键的是，Helix 2.5只用了一半的任务特定数据量，就在30个陌生家庭里追平了上一代Helix 02在单一场地的成功率。Figure零样本做家务成功率从8%飙升至56%，Helix2.5如何把零样本成功率提升6倍
宇树UnifoLM-WLA-1.0走的是开源路线。9月10日，宇树宣布完全开源这款通用人形机器人基础模型，代码、模型、数据集同步开放。模型参数量6B，基于约2500小时真机数据训练，单模型统筹64项操作任务——54项桌面操作加10项全身移动操作，覆盖倒垃圾、铺床、整理厨房浴室、叠衣服、收纳餐盘等场景。而且不绑定单一末端执行器，平行夹爪和两类灵巧手都能驱动。
松延动力在几天内连发两款模型。9月8日发布HERON-World Model，让机器人理解当前环境并对未来进行推演；9月15日发布HERON-CRA（情境强化行动模型），让机器人记住过去、从错误中学习、将一次经验转化为下一次的能力-21。松延动力创始人姜哲源在接受采访时说了一句很关键的话：“行业对于世界模型与VLA路线融合的方向形成一定共识”。
智元在9月9日一天内发布两款模型：AGILE 2.0感控一体模型和GE-Act 2.0原生世界-动作模型。GE-Act 2.0的所有参数从随机初始化开始，在具身操作数据上从头训练。更重要的是，智元系统性验证了原生世界-动作模型的Scaling路径：当数据规模扩大100倍时，模型不仅让原有技能更稳定，还解锁了折叠毛巾、嵌套纸杯、拔插笔盖、插花等此前完全无法完成的新任务。
这五款模型放在一起看，一个信号非常清晰：所有人都在做同一件事——把世界模型塞进VLA体系里。
为什么VLA和世界模型融合会成为共识？
过去两年，VLA和世界模型在行业里被当作两条对立路线来讨论。VLA解决的是“看到什么就做什么”的直接映射，世界模型让机器人具备“预测这么做会发生什么”的推理能力。GTC 2026上这两条路线甚至公开争论过，一方认为VLA是工程师的答案，目标是先把车开好；另一方认为世界模型才是通往通用智能的正确方向。
但到了9月，这个争论基本结束了。
Gartner研究副总裁高挺的判断代表了目前的共识：“未来一两年，VLA大概率仍然会是机器人动作模型的主体，但世界模型会逐步融入VLA系统，为机器人提供更强的物理理解、规划和预演能力。长期来看，更有可能出现的是VLA与世界模型的融合，而不是世界模型简单取代VLA”。
智元联合创始人彭志辉的表达更直接：VLA和世界模型是互补关系，长期最优技术架构是世界模型搭配机器人大小脑快慢系统，实现“理解物理世界、预测环境变化、主动改造世界”的完整闭环。
我注意到一个细节。北京人形机器人创新中心在WRC上推出的Pelican-Unify，被定义为“全国首个统一表征具身世界模型”，其技术团队说了一句话：VLA与世界模型内核一致，均基于Transformer架构与自监督预训练，区别仅在于自监督方式不同。
这句话解释了一切。VLA和世界模型不是两种技术，是同一种技术的两个侧面。VLA解决“怎么做”，世界模型解决“做了会怎样”。一个负责执行，一个负责预判。两者共享同一个底层架构，融合是自然的，对立才是人为的。
Figure Helix 2.5的实验其实就是融合架构的产物。Index数据集的人类操作视频提供了世界模型的预训练基础，让机器人“见过”足够多的操作场景和物理交互；Helix 2.5的VLA部分则负责把这些“见过的经验”转化为具体的动作输出。56%的零样本成功率，就是世界模型预训练和VLA执行能力叠加后的结果。
融合之后，真正的问题才浮出水面
路线共识有了，但共识不等于答案。
第一个问题：融合模型的训练数据从哪来？
Figure用Index数据集——108个国家、1600万段人类操作视频。宇树用2500小时真机数据。智元用自家积累的具身操作数据。松延动力还在补数据的课。
中国信通院8月发布的报告指出，当前全球可用的高质量真实数据仅为数十万至百万小时级，而具身基础模型要迎来“ChatGPT时刻”至少需要数千万小时数据，缺口超过99%。千寻智能计划年内突破100万小时，觅蜂科技累计生产超过100万小时无本体数据。但这些数字加在一起，离“数千万小时”还有不小的距离。
Figure的Index路线提供了一个新思路：不一定非要机器人自己产生数据，人类的第一视角操作视频也可以成为世界模型的预训练素材。但人类视频和机器人本体之间天然存在域偏移——人类有骨骼肌肉，机器人是金属关节。Helix 2.5的56%证明域偏移可以被预训练大幅缩小，但没有被消除。
第二个问题：融合架构的算力成本谁来扛？
世界模型需要算力做“脑内推演”，VLA需要算力做实时控制。两者叠加，对端侧芯片的要求会成倍上升。Figure的Index训练锁定约10万块英伟达Vera Rubin系列GPU，算力投入35亿美元。国内没有一家具身智能公司能匹配这个量级。
智元GE-Act 2.0的论文里有一个值得注意的细节：模型采用了控制导向的autoencoder、单步视觉规划器和逆动力学模型，在RTX 5090显卡上生成一组连续动作约需104毫秒。这是面向端侧部署的优化思路，和Figure依赖大规模云端算力的路径不同。
两种路径背后是不同的商业逻辑。Figure的路线是“用数据规模换泛化能力”，前提是资本能持续支撑巨额算力投入。国内的路线更强调“用架构效率降低算力需求”，前提是泛化能力的天花板可能更低。哪条路最终跑赢，目前没有答案。
第三个问题：融合模型怎么评估？
宇树的64项任务、Figure的30个陌生家庭、智元的100倍数据规模实验——每家的评估标准都不一样。Figure用“端到端完全成功”作为唯一标准，不提供部分得分，出现一次人类干预直接判定失败。这个标准很硬，但也意味着56%的成功率背后是44%的完全失败。
行业还没有一套公认的具身模型评估体系。VLA模型过去用LIBERO、CALVIN这类基准，但世界模型的引入让评估维度变得更复杂——不只看“做没做到”，还要看“预判准不准”。目前各家都在用自己的标准讲故事，横向对比几乎不可能。
写到这里，我想起松延动力姜哲源说过的一句话。他把具身智能比作木桶，木桶能装多少水取决于最短的那块板。2023年创业时，本体运控是行业最短的短板，松延动力选择先补硬件和运控。如今他认为本体已经“ready”了，“这个时候我们觉得需要补下一块板，也就是大脑部分”。
这一周密集发布的五款模型，本质上都是各家在补“大脑”这块板。但补完之后，下一个短板在哪里？
姜哲源的测算是：具身智能下一个能力拐点至少需要百万小时量级的数据。每台本体满负荷运转一年大约产生1000小时数据，要达到百万小时需要1000台本体持续运转。这意味着，大脑的进步速度，最终取决于身体的量产速度。
路线共识已经形成，融合架构的方向也清晰了。但真正决定谁先跑到终点的，不是模型本身，是谁能更快地把机器人铺出去、把数据收回来、把模型迭代起来。模型井喷只是这场长跑的一个节点，不是终点。
注：本文基于2026年9月23日前的公开信源整理，涉及行业预测与盈利判断的内容均存在不确定性，不构成任何投资建议。
#具身模型 #世界模型 #VLA #Figure #宇树科技 #松延动力 #智元
关注「智财社」看具身智能技术迭代与资本脉络
原文标题 : 一周五款模型密集发布，VLA和世界模型的路线之争结束，数据战争开始了
9月的第二周和第三周，具身智能赛道像是约好了一样，模型发布密度突然拉满。
Figure在9月17日放出Helix 2.5，宇树在9月10日开源UnifoLM-WLA-1.0，松延动力在9月8日发布HERON-World Model、9月15日紧接着推出HERON-CRA。再加上智元在9月9日一天内连发AGILE 2.0和GE-Act 2.0——短短十天，至少五款具身模型密集亮相。
这不是巧合。我翻了翻几家公司的发布节奏，它们各自的时间表原本并不重叠，但最终撞在了同一个窗口期。这说明一件事：行业对“接下来该做什么”的判断，已经趋同了。
五款模型，各在做什么
Figure Helix 2.5的核心实验设计很硬。Figure在旧金山湾区租了30套从未采集过数据的真实民宅，把搭载Helix 2.5的Figure 03送进去，不遥操、不微调、不提前采集环境数据，直接执行整理房间、叠毛巾、铺床三类长程任务。420次试验，237次成功，零样本成功率56%。作为对照，同样硬件、同样任务数据、但没有经过Index预训练的策略，成功率只有9%。更关键的是，Helix 2.5只用了一半的任务特定数据量，就在30个陌生家庭里追平了上一代Helix 02在单一场地的成功率。Figure零样本做家务成功率从8%飙升至56%，Helix2.5如何把零样本成功率提升6倍
宇树UnifoLM-WLA-1.0走的是开源路线。9月10日，宇树宣布完全开源这款通用人形机器人基础模型，代码、模型、数据集同步开放。模型参数量6B，基于约2500小时真机数据训练，单模型统筹64项操作任务——54项桌面操作加10项全身移动操作，覆盖倒垃圾、铺床、整理厨房浴室、叠衣服、收纳餐盘等场景。而且不绑定单一末端执行器，平行夹爪和两类灵巧手都能驱动。
松延动力在几天内连发两款模型。9月8日发布HERON-World Model，让机器人理解当前环境并对未来进行推演；9月15日发布HERON-CRA（情境强化行动模型），让机器人记住过去、从错误中学习、将一次经验转化为下一次的能力-21。松延动力创始人姜哲源在接受采访时说了一句很关键的话：“行业对于世界模型与VLA路线融合的方向形成一定共识”。
智元在9月9日一天内发布两款模型：AGILE 2.0感控一体模型和GE-Act 2.0原生世界-动作模型。GE-Act 2.0的所有参数从随机初始化开始，在具身操作数据上从头训练。更重要的是，智元系统性验证了原生世界-动作模型的Scaling路径：当数据规模扩大100倍时，模型不仅让原有技能更稳定，还解锁了折叠毛巾、嵌套纸杯、拔插笔盖、插花等此前完全无法完成的新任务。
这五款模型放在一起看，一个信号非常清晰：所有人都在做同一件事——把世界模型塞进VLA体系里。
为什么VLA和世界模型融合会成为共识？
过去两年，VLA和世界模型在行业里被当作两条对立路线来讨论。VLA解决的是“看到什么就做什么”的直接映射，世界模型让机器人具备“预测这么做会发生什么”的推理能力。GTC 2026上这两条路线甚至公开争论过，一方认为VLA是工程师的答案，目标是先把车开好；另一方认为世界模型才是通往通用智能的正确方向。
但到了9月，这个争论基本结束了。
Gartner研究副总裁高挺的判断代表了目前的共识：“未来一两年，VLA大概率仍然会是机器人动作模型的主体，但世界模型会逐步融入VLA系统，为机器人提供更强的物理理解、规划和预演能力。长期来看，更有可能出现的是VLA与世界模型的融合，而不是世界模型简单取代VLA”。
智元联合创始人彭志辉的表达更直接：VLA和世界模型是互补关系，长期最优技术架构是世界模型搭配机器人大小脑快慢系统，实现“理解物理世界、预测环境变化、主动改造世界”的完整闭环。
我注意到一个细节。北京人形机器人创新中心在WRC上推出的Pelican-Unify，被定义为“全国首个统一表征具身世界模型”，其技术团队说了一句话：VLA与世界模型内核一致，均基于Transformer架构与自监督预训练，区别仅在于自监督方式不同。
这句话解释了一切。VLA和世界模型不是两种技术，是同一种技术的两个侧面。VLA解决“怎么做”，世界模型解决“做了会怎样”。一个负责执行，一个负责预判。两者共享同一个底层架构，融合是自然的，对立才是人为的。
Figure Helix 2.5的实验其实就是融合架构的产物。Index数据集的人类操作视频提供了世界模型的预训练基础，让机器人“见过”足够多的操作场景和物理交互；Helix 2.5的VLA部分则负责把这些“见过的经验”转化为具体的动作输出。56%的零样本成功率，就是世界模型预训练和VLA执行能力叠加后的结果。
融合之后，真正的问题才浮出水面
路线共识有了，但共识不等于答案。
第一个问题：融合模型的训练数据从哪来？
Figure用Index数据集——108个国家、1600万段人类操作视频。宇树用2500小时真机数据。智元用自家积累的具身操作数据。松延动力还在补数据的课。
中国信通院8月发布的报告指出，当前全球可用的高质量真实数据仅为数十万至百万小时级，而具身基础模型要迎来“ChatGPT时刻”至少需要数千万小时数据，缺口超过99%。千寻智能计划年内突破100万小时，觅蜂科技累计生产超过100万小时无本体数据。但这些数字加在一起，离“数千万小时”还有不小的距离。
Figure的Index路线提供了一个新思路：不一定非要机器人自己产生数据，人类的第一视角操作视频也可以成为世界模型的预训练素材。但人类视频和机器人本体之间天然存在域偏移——人类有骨骼肌肉，机器人是金属关节。Helix 2.5的56%证明域偏移可以被预训练大幅缩小，但没有被消除。
第二个问题：融合架构的算力成本谁来扛？
世界模型需要算力做“脑内推演”，VLA需要算力做实时控制。两者叠加，对端侧芯片的要求会成倍上升。Figure的Index训练锁定约10万块英伟达Vera Rubin系列GPU，算力投入35亿美元。国内没有一家具身智能公司能匹配这个量级。
智元GE-Act 2.0的论文里有一个值得注意的细节：模型采用了控制导向的autoencoder、单步视觉规划器和逆动力学模型，在RTX 5090显卡上生成一组连续动作约需104毫秒。这是面向端侧部署的优化思路，和Figure依赖大规模云端算力的路径不同。
两种路径背后是不同的商业逻辑。Figure的路线是“用数据规模换泛化能力”，前提是资本能持续支撑巨额算力投入。国内的路线更强调“用架构效率降低算力需求”，前提是泛化能力的天花板可能更低。哪条路最终跑赢，目前没有答案。
第三个问题：融合模型怎么评估？
宇树的64项任务、Figure的30个陌生家庭、智元的100倍数据规模实验——每家的评估标准都不一样。Figure用“端到端完全成功”作为唯一标准，不提供部分得分，出现一次人类干预直接判定失败。这个标准很硬，但也意味着56%的成功率背后是44%的完全失败。
行业还没有一套公认的具身模型评估体系。VLA模型过去用LIBERO、CALVIN这类基准，但世界模型的引入让评估维度变得更复杂——不只看“做没做到”，还要看“预判准不准”。目前各家都在用自己的标准讲故事，横向对比几乎不可能。
写到这里，我想起松延动力姜哲源说过的一句话。他把具身智能比作木桶，木桶能装多少水取决于最短的那块板。2023年创业时，本体运控是行业最短的短板，松延动力选择先补硬件和运控。如今他认为本体已经“ready”了，“这个时候我们觉得需要补下一块板，也就是大脑部分”。
这一周密集发布的五款模型，本质上都是各家在补“大脑”这块板。但补完之后，下一个短板在哪里？
姜哲源的测算是：具身智能下一个能力拐点至少需要百万小时量级的数据。每台本体满负荷运转一年大约产生1000小时数据，要达到百万小时需要1000台本体持续运转。这意味着，大脑的进步速度，最终取决于身体的量产速度。
路线共识已经形成，融合架构的方向也清晰了。但真正决定谁先跑到终点的，不是模型本身，是谁能更快地把机器人铺出去、把数据收回来、把模型迭代起来。模型井喷只是这场长跑的一个节点，不是终点。
注：本文基于2026年9月23日前的公开信源整理，涉及行业预测与盈利判断的内容均存在不确定性，不构成任何投资建议。
#具身模型 #世界模型 #VLA #Figure #宇树科技 #松延动力 #智元
关注「智财社」看具身智能技术迭代与资本脉络
原文标题 : 一周五款模型密集发布，VLA和世界模型的路线之争结束，数据战争开始了
