宇树最新开源人形机器人基础模型UnifoLM-WLA-1.0，多项空间评测超越 GPT-6

2026-09-16 15:36

单模型统筹桌面与全身移动操作，支持跨任务、跨末端执行器泛化。

——一模驱动，全身协同。

9 月 10 日，宇树宣布新一代通用人形机器人基础模型 UnifoLM-WLA-1.0 全面升级开源：

6B 参数量；
5M+ 具身推理（ER）训练样本；
约 2,500 小时高质量真机数据；
64 项真机任务（54 项桌面操作 + 10 项全身移动操作）；
同时支持平行夹爪与两种五指灵巧手。

新一代的通用人形机器人基础模型

UnifoLM 不是第一次出现。把三代模型按时间排开，你会发现宇树的路线变化，全写在名字里。

2025 年 9 月，UnifoLM-WMA-0（World-Model-Action）。

宇树把训练代码、推理代码、模型权重、部署代码一并放进了公开仓库。它的世界模型有两条工作流：

当交互式仿真引擎用，为机器人学习造合成数据；或接上动作头做策略增强，靠预测未来交互过程优化决策。核心词是"世界"。
2026 年 1 月，UnifoLM-VLA-0（Vision-Language-Action）。

基于 Qwen2.5-VL-7B 做持续预训练，只用约 340 小时真机数据做离散动作预测训练，配合动作分块与正/逆向动力学约束。

在 G1 上用单一策略完成 12 类复杂操作任务，LIBERO 仿真基准平均 98.7。核心词是"动作"。

2026 年 9 月，UnifoLM-WLA-1.0。

模型关系是明确的：在 VLA 的视觉-语言-动作表征之上，加入交互变化预测，再由动作专家产出连续控制量。

核心词是"统一"。

640 (1).webp

▲图| UnifoLM 系列三代模型演进时间轴©【深蓝具身智能】编译

从 340 小时到 2,500 小时，从 12 项任务到 64 项任务，从单一 VLA 到"具身推理 + 变化预测 + 动作生成"三层合一。

这条线的方向很清楚：不再为每类任务单独训一套策略。

全身移动操作 · 购买蔬菜

桌面操作 · 取棒棒糖

桌面操作 · 开锁

640 (3).gif

真正的难点不是"看见"，是"知道动手之后会变成什么样"

WLA-1.0 最值得拆的，是它把"从看见到动手"切成的三层。

第一层：具身推理，把 VLM 教会"东西在哪儿"

这一层叫 UnifoLM-ER-1，4B 规模，底座是 Qwen3-VL-4B。

训练用了超过 500 万条具身推理样本，覆盖六类任务：图像点预测、物体检测、多图推理、2D 轨迹预测、3D 物体检测、多图空间问答。

这批数据与通用图文数据联合训练，它保证了模型在补空间能力的同时，不会把原本的通用视觉语言能力练丢。

它要回答的，不是"桌上有个盘子"，而是"盘子在哪、手该从哪个方向接近、第一视角和腕部视角之间是什么空间关系"。

第二层：动态区域预测——只预测会变的那一块

一提到世界模型，最直觉也最烧钱的做法是：生成整个未来画面。宇树没这么干，它的流程是：

用光流从前后两帧中，提取出真正发生变化的区域（dynamic region）；

用 VQ-VAE 把这片连续变化压缩成固定长度的离散 token；

训练 VLM：输入当前图像 + 任务描述（或动作），直接输出未来动态区域的 mask token。

640 (4).gif

640 (2).webp

▲图| 动态区域预测：从光流到未来变化 Token©【深蓝具身智能】编译

拿叠毛巾举例：真正会变的，只有毛巾本身和它被挪走后露出的那块桌面。房间里其余的像素纹丝不动。

把宝贵的建模容量和算力全押在这一小片区域上，就是官方所说的 interaction-centric world modeling（以交互为中心的世界建模）。

与其画一张模糊的全景未来，不如把"哪儿会变"预测准。前者好看，后者有用。

第三层：把动作切成 Token，让手、臂、腿讲同一种语言

有了认知，还得让动作能被统一表达。宇树把统一动作空间分为了三段：

640 (3).webp

每段各训一个残差向量量化（RVQ）模型，把连续轨迹编码成离散动作 token。

三段 token 按共享时间步对齐后，同步喂进 VLM。

▲图| 统一动作空间：三段 RVQ 离散化与时间步对齐©【深蓝具身智能】编译

桌面抓取、双臂协作、行走后再操作，不仅场景不同，动作维度和控制对象也完全不同。

只有把它们压成同一种离散序列，模型才可能自动学到手、臂、下肢之间的协同关系。所谓"一模驱动、全身协同"，工程前提就在这里。

三层合起来，得到 UnifoLM-ER-Flow：视觉、语言、未来区域 mask、离散动作 token，在同一个 VLM 里完成对齐。

6B 的身体里，装了哪些配料

一个动作专家，负责"动得顺"

WLA-1.0 的结构可以一句话说完：UnifoLM-ER-Flow 多模态主干 + MMDiT 动作专家（flow decoder）。

动作专家接收图像编码、任务 prompt、机器人 state 和带噪动作，输出连续控制量。

640 (6).gif

▲图| 模型架构©【深蓝具身智能】编译

这也是当下 VL“A 的通行做法——π0、GR00T N1.7 都在做同样的拆分：

负责"想什么"的部分和负责"怎么动得顺"的部分，本就该用不同的机器。

2,500 小时数据，从哪来

官方点名了两类来源：Unitree Open Datasets 与 BitRobot-HIW-500 等公开资源。

HIW-500 值得单独说一句。

它由 BitRobot 联合 Hugging Face 与宇树在 2026 年 6 月发布：500+ 小时全身遥操作数据，23,000+ 任务片段，12 个真实家庭，原始体量约 10TB（LeRobot 格式压缩至 2TB），29 自由度，配头戴立体 RGB 相机与腕部红外立体相机，部分连续片段时长超过 8 分钟，采用 CC BY 4.0 协议。