|
7 月 8 日，登顶国际机器学习顶级会议 ICML 正式召开。北京北京人形机器人创新中心（以下简称“北京人形”）联合北京航空航天大学、人形入选北京大学等团队，全球前筑自研视觉语言动作（Vision-Language-Action，牢慧VLA）通用基座模型 XR-1，思开身智术底并在大会进行专题报告宣讲。物具该成果从全球海量投稿中脱颖而出，登顶入选全部录用论文前 0.7%（Oral，北京口头报告），人形入选标志着中国具身智能 VLA 技术站上全球 AI 学术前沿。全球前筑这一突破不仅为行业标杆平台「慧思开物」强化了“最强大小脑”底层核心能力，牢慧更筑牢了我国具身智能“国家队”的思开身智术底技术护城河。
ICML 大会程序主席对 XR-1 的物具论文给予了极高评价，他指出：“大会所有审稿人一致认为这是登顶一项高质量工作，对具身智能领域具有重要意义。尤其亮眼的是，作者在实体机器人平台上开展了大量真实场景实证实验，同时开源配套数据集与模型，建议毫无保留地接受这篇论文。”（"All reviewers agree that this is high-quality work, which is of great interest to embodied AI community. Especially the extensive empirical evaluation on real-world robots and the authors to open source their dataset and model stand out. I recommend accepting this paper without any reservations."）
作为国家级具身智能创新平台，北京人形肩负着突破机器人感知、决策、运动控制全链路核心技术、打通产学研用落地闭环的国家使命。围绕通用机器人平台「具身天工」与通用具身智能平台「慧思开物」的双平台协同体系，北京人形打造了全栈自研的具身智能通用底座技术。本次亮相 ICML 的 XR-1，正是「慧思开物」最强大小脑体系中的核心自研 VLA 基座模型。 首创“统一视觉 - 运动表征” UVMC 方案，直击行业三大核心痛点当前全球 VLA 模型普遍面临三大行业瓶颈，严重制约人形机器人的规模化落地：
针对上述痛点，XR-1 团队提出全新三阶段训练框架，其核心创新在于统一视觉 - 运动隐式表征 UVMC（Unified Vision-Motion Codes），彻底打通视觉观测与机器人动作之间的鸿沟：
1. 阶段一：统一视觉 - 运动编码预训练构建共享离散隐空间，同步学习视觉潜表征与运动潜表征。通过对 Ego4D 人类视频、Open X-Embodiment、RoboMIND 等知名开源具身数据集，以及自研机器人实操数据集等异构数据进行统一编码，实现人类动作与多机器人操控数据的互通互补，解决跨具身数据无法协同训练的行业痛点。视觉编码器负责提取环境动态特征，运动编码器解析精细动作序列，通过量化编码生成统一的 UVMC 特征码，同时完成画面重建与动作序列的双向重构约束。 2. 阶段二：UVMC 表征引导多模态预训练将统一视觉运动词元（Token）嵌入视觉语言大模型，搭配文本指令与环境观测 Token 进行联合训练。引入 KL 散度损失以对齐视觉与运动模态，消除感知与动作的表征偏移，使模型真正理解“看见什么、该做什么”的内在关联。消融实验证实，KL 对齐损失可将任务平均成功率提升近 20 个百分点。 3. 阶段三：多机型任务微调部署基于少量真机演示数据完成下游任务微调。实验验证了该框架在单臂、双臂人形、协作机械臂等 6 类机器人上的快速适配能力，仅需 20 条演示样本即可实现全新任务的少样本落地，大幅降低了真机数据采集成本。 全域真机实测验证硬核实力，全面超越国际主流 VLA 基线团队完成了 14,000+次真实机器人实操推演，覆盖 6 类主流机器人本体及 120+工业与家用实操任务，包含堆叠、装配、擦拭、抓取、开合器具、物料转运等复杂双臂精细作业。通过与 π0.5、RDT、GR00T-N1.5 等多个国际顶尖 VLA 基线模型开展对标测试，XR-1 在性能上实现全方位领先：
1. 跨本体通用能力断层领先在天工人形机器人场景中，XR-1 任务平均成功率达 74%，较 RDT 提升 32 个百分点；在单臂 UR-5e 机械臂场景中，成功率达 75%，领跑全部基线。面对从未参与训练的全新机器人机型，其零样本适配成功率较主流模型提升超 40%，真正实现“一套小脑适配全品类机器人”，夯实了慧思开物“一脑多机”的核心优势。 2. 少样本学习能力大幅突破在仅提供 20 次人工演示样本的少样本场景下，XR-1 在全新装配、堆叠、倾倒物料等未见过任务中，平均成功率稳定在 70% 以上。相比之下，ACT、DP 等主流模型多数任务成功率不足 40%，大量场景直接任务失效。这一结果充分验证了统一 UVMC 表征强大的知识迁移能力。 3. 复杂未知场景强泛化针对全新杂物、未知簸箕、变化光照、动态干扰、陌生背景五大极端未见过场景测试，XR-1 的任务稳定完成率远超基线模型。面对动态遮挡、物体形变、环境光线突变等工业与家庭真实干扰场景，其毫米级精细操控鲁棒性显著提升，彻底解决了传统 VLA 模型“实验室好用、现实场景失灵”的精度鸿沟。 4. 异构数据协同增益显著消融实验明确验证：融合 Ego4D 人类日常视频数据参与预训练后，模型整体任务成功率提升 10 个百分点。随着预训练数据集规模的扩大，XR-1 性能呈现稳定线性增长，具备极强的数据缩放潜力。仅使用视觉单独表征或仅使用运动单独表征的模型性能均大幅下滑，证明统一视觉运动表征 UVMC 是打通大小脑协同的关键核心。 夯实慧思开物最强大小脑底座，彰显具身智能国家队自主创新底气作为「慧思开物」最强大小脑的核心基础模型，XR-1 的顶会突破，完整补齐了平台“大脑理解世界、小脑精准执行”的技术闭环，持续强化「慧思开物最强大小脑」的行业定位。早在 2025 年 11 月，北京人形慧思开物平台的 XR-1 模型就在中国电子技术标准化研究院国家标准测评中，成为行业首个且唯一一个通过测试的 VLA 模型，获得 CESI-CTC-20251103 具身智能测试证书。
同时，XR-1 全套技术方案、数据集、代码已全面开源开放，匹配北京人形具身智能全链路开源生态战略。项目配套开源仓库、项目主页已正式上线，面向全球高校、科研机构、产业开发者开放 UVMC 统一表征、多机型训练框架，结合 RoboMIND 1/2 开源数据集等全链路要素，助力具身智能产业协同攻关。
作为国家地方共建具身智能机器人创新中心，北京人形始终以具身智能“国家队”身份承担关键核心技术攻关任务。依托「具身天工」硬件本体与「慧思开物」通用软件的双平台协同发展路线，北京人形持续在视觉语言动作、人形运动控制、多机协同、通用世界模型等前沿领域攻坚。本次 XR-1 登顶 ICML 全球前 0.7%，是我国具身智能底层算法走向国际顶尖学术舞台的标志性成果，标志着我国在机器人感知 - 动作一体化通用模型赛道实现自主领先。 未来，北京人形将持续迭代 XR-1 系列 VLA 模型，深度赋能「慧思开物」最强大小脑平台，持续打磨行业领先的最强大小脑协同体系，推动人形机器人与工业协作机械臂在 3D 五大场景规模化落地，以自主可控的核心技术，引领全球具身智能产业创新发展。 |
