FutureX · 记录未来如何发生

今日要点

· 阿里通义开源 Qwen-VLA：单一模型统一操作、导航与跨本体控制，LIBERO 97.9%、真机 ALOHA 的 OOD 泛化 76.9%，多数基准反超各平台专用模型

· 智元 Genie Envisioner-Sim 2.0 称以 68.26 分登顶 CVPR 2026 WorldArena 世界模型赛道，同济、考拉悠然等多支国产团队同期密集刷榜（均为榜单口径）

· 特斯拉 Robotaxi 获德州 L4 商业运营许可、对外口径每英里 0.20 美元，但德州注册数据显示其在运车队仅约 42 辆、远落后 Waymo

· 宇树科技 6 月 1 日科创板上会冲"人形第一股"，2025 出货约 5500 台居全球首位，但一季度扣非净利润同比腰斩

· 灵巧手与协作机器人融资回暖：曦诺未来数亿 A 轮（理想战投领投）、艾利特 6 亿 D+ 轮、蓝点触控数亿 C++ 轮

Qwen-VLA：用单一模型统一操作、导航与跨本体控制 · vla

当前 VLA 的最大痛点是"能力碎片化"——操作、导航各用一套模型，换一台机器人本体就失灵。Qwen-VLA 第一次系统验证了"一个通用基座打通三类任务、并在单臂/双臂/人形间无缝切换"这条路线，且通用模型在多数基准上反超为各平台专门训练的专家模型，是"通用机器人大脑"路线的一次有分量的背书。

Qwen 团队（阿里通义）· arXiv 2605.30280 · 解读：肉身算法

以 Qwen3.5-4B 多模态模型为认知背干、1.15B 参数 DiT 流匹配网络为动作专家，二者通过隐藏状态协同；只需一段"具身提示词"文本声明机器人形态、臂型与控制频率即可切换本体，新增平台无需改架构。采用四阶段渐进训练（先文本到动作、再异构数据联合预训练、任务微调、单一仿真环境 PPO 强化）。结果：LIBERO 97.9%，真实 ALOHA 双臂平台域内 83.6%、OOD 泛化 76.9%（对比 pi0.5 为 41.5%），DOMINO 动态操作零样本即得 26.6%。

BORA：让灵巧手"先离线想清楚，再上手微调" · manipulation

灵巧手十余个自由度、执行时手部自遮挡严重，纯模仿误差累积、直接在线强化又效率低且易损伤硬件。BORA 把"意图理解"留给离线、"物理适配"交给在线人在回路残差，为 VLA 落到真实灵巧操作给出一条计算开销可控的路径。

上海交通大学、中科院自动化所、上海 AI Lab · 解读：肉身算法

用一致性策略（1-3 步即可生成动作块）替代扩散模型缩短计算图，使强化学习梯度能高效回传至 VLM；核心贡献是"动作条件 Critic"——将价值评估锚定在 VLM 语义 token 而非原始像素，绕开遮挡导致的价值崩溃。在线阶段冻结整个基座、仅训练一个轻量残差 MLP，配人在回路干预（每任务每轮约 10 条轨迹、平均介入 1-2 次）。5 项真实灵巧任务平均成功率从 53% 升至 86%（+33 个百分点），未见物体场景从 27% 升至 70%。

VLA-Pro：给机器人装"程序性记忆"，真机跨任务成功率 5.8%→65% · vla

VLA 学到的操作经验往往被"锁死"在特定任务参数里，换物体、换动作模式就断崖式下跌。VLA-Pro 把每个任务经验封装成可检索的 LoRA"记忆"、按当前场景动态融合，是一种即插即用、不重训基座的跨任务泛化思路。

复旦大学可信具身智能研究所 · 解读：肉身算法

三阶段流水线：记忆铸造（先训通用 Base LoRA，再为每个任务微调专属 LoRA）、多模态检索（用 VLM 把视觉/指令抽取为结构化程序状态，按动作类型做加权匹配）、动态融合（按相似度 Softmax 加权合成临时适配器，执行完即卸载、避免记忆互扰）。仿真 RoboTwin 上 RDT-1B 基座相对提升达 207%；真机 6 对任务平均成功率从 5.8% 升至 65.0%，部分任务（如放杯子入盒）从 5% 跳至 85%。

3DVLA：即插即用的 3D 空间增强框架，刷新 LIBERO-Plus SOTA · perception

VLA 的语言能力越来越强，视觉却停留在"看 2D 照片"，相机一动、物体一遮就失手（OpenVLA 在视角变换测试下仅 0.8%）。3DVLA 只增加约 0.086B 参数、零额外人工标注，就给现有 VLA 接上真正的三维空间推理。

北京大学王选计算机技术研究所 · 解读：肉身算法

冻结 VLM 骨干、仅训练新增模块：多视图空间融合在特征编码阶段施加几何一致性约束，以物体为中心的 3D 实例模块用 300 个状态探针在连续 3D 空间搜索物体、并用匈牙利算法做全局匹配消除视角切换的 ID 冲突；坐标驱动的自监督预测器以 50% 多视图掩码补全被遮挡几何；不确定性引导的路由门控决定"何时注入 3D"——观测清晰则少注入、被遮挡则多吸收。训练用冻结的 VL-SAMv2 生成 2D 伪标签反投影成 3D 监督，无需人工标注。LIBERO-Plus 平均成功率 86.0%。

ElegantVLA：让 VLA 学会"何时思考"，推理最高加速 3.77 倍 · vla

今天的 VLA 在每个控制步都全量跑视觉编码器和 LLM，导致控制频率低到约 13.8 Hz。ElegantVLA 借鉴人类"平稳移动省力、触碰瞬间全力以赴"的运动控制策略，用一个不改动基座的轻量调度器按需分配算力。

解读：肉身算法

在基础 VLA 外层套一个轻量中央调度器，以五维观察（CKA 时序表示相似度、夹爪与末端的平移/旋转速度、回合进度）实时决策：感知-推理通路设 5 个计算档位（从全量重算到多步复用缓存），动作去噪设 3 档；调度器用 Maskable PPO 两阶段训练、基座全程冻结。CogACT 上达 89.67% 成功率配 3.77× 加速；真机 Franka Research 3 上平均成功率 61.67%→65.0% 的同时，控制频率从 13.8 Hz 提升至 26.3 Hz。

MonoDuo：用单臂机器人 + 一只人手合成双臂协作数据 · manipulation

双臂机器人昂贵、双臂协作数据稀缺，而单臂几乎是每个实验室的标配。MonoDuo 让单臂与一名人类搭档采数、再用视觉把"人机搭档"画成"双臂机器人"，以低成本数据撬动双臂策略——已被 ICRA 2026 接收。

UC Berkeley AUTOLAB · ICRA 2026 接收 · 解读：肉身算法

操作者遥控 Franka 单臂完成任务一侧、人手完成另一侧，并交换角色采数（较全遥控双臂省约 79% 时间）。Cross-Painting 流水线用 URDF 渲染 + E2FGVI 视频补全把源机器人像素替换为目标机器人（UR5e），人手姿态经 HaMeR/SAM2/ICP 重映射为"伪动作"，再与真实机器人动作做结构化混合训练 Diffusion Policy——关键在保证训练数据中始终有一侧具备真实运动学先验。五项双臂任务零样本最高 70%，仅用 25 条真实双臂数据微调后，搬运/整理等任务升至 90-100%。

艾利特机器人 ｜ D+轮 ｜ 6亿元 · embodied

主营协作机械臂；本轮被称为 2026 年以来协作机器人赛道单笔最大融资，也是本体企业在 2024-2025 资本寒冬后重获主流资本青睐的信号。来源：千机局

曦诺未来 Xynova ｜ A轮 ｜ 数亿元 · embodied

理想战投等领投，累计融资近 10 亿元；成立约一年半、95 后团队，主营高自由度灵巧手（Flex 2 称 23 自由度、指尖力超 20N、集成视/触/力/接近四类传感）。理想、小米同时下注，折射灵巧手赛道的资本热度。来源：科技资本圈 / 机器人前瞻

蓝点触控 ｜ C++轮 ｜ 数亿元 · adjacent

上汽金控、尚颀资本领投，中芯聚源、正大机器人、厚为资本跟投；国内六维力/力控传感器龙头，资金用于新一代力控传感器研发与产能数智化。来源：投资家 / 高工机器人

新智具身 ｜ 天使轮 ｜ 近亿元 · embodied

上海科创集团、复旦科创联合领投，策源基金等共投；复旦系团队，押注机器人操作的"触觉时刻"。来源：创新创业科学家

具深科技 ｜ 种子轮 ｜ 数千万元 · embodied ⚠️ 单方口径

红杉领投；自研 CereBase3.0 通用机器人"小脑"基座、Token 原生实时运动生成系统，主打纯运动控制的实时性与场景泛化。来源：投行前哨站

桥田智能 ｜ A+轮 ｜ 亿元级 · adjacent

国家级工业母机产业投资基金独家投资，美的此前已投；主营机器人末端执行器（快换装置、夹爪等），资金用于高端产能扩建与核心技术迭代。来源：维科网机器人

乘物机器人 ｜ 天使轮 ｜ 金额未披露 · industrial

中国台湾工业自动化与智能机器人龙头和椿科技战略投资，华君资本任独家财务顾问；服务富士康，半年营收超 2000 万元的机器人解决方案商。来源：硬氪 / 36氪

华为"具身大脑"原负责人创业 ｜ 获亿元融资 · world-model ⚠️ 单方口径

离职华为的具身大脑一号位创业，主张用认知科学路线造世界模型、区别于 Sora/Gemini World/FSD 等"基于统计的模拟器"。具体融资方与金额细节有待一手核实。来源：小白知多少

智元 Genie Envisioner-Sim 2.0 称登顶 CVPR 2026 WorldArena 世界模型赛道 · world-model ⚠️ 榜单口径

智元披露其 20 亿参数世界模型 GE 2.0 以 68.26 综合分在 WorldArena Track1（世界模型感知与动作响应）登顶，称超越谷歌、英伟达、斯坦福等 14 支团队；并强调加入 state conditioning 后，模型对真机任务难度的相对排序更贴近现实，意在用于策略评估而非单纯生成逼真视频。需注意同济"无界"、考拉悠然等多支国产团队同期也宣称在 WorldArena 不同分项名列前茅，各家的赛道划分与排名口径仍待第三方厘清。来源：智元 / 即智Ultra / 新浪财经

特斯拉 Robotaxi 获德州 L4 商业运营许可 · autonomy ⚠️ 多源待核

随德州 5 月 28 日新法案生效，特斯拉宣布完成 L4 自我认证、获商业运营许可，并放出 Cybercab 自驾驶出厂视频，对外口径每英里 0.20 美元。但据德州注册数据，其在运 Robotaxi 仅约 42 辆、规模远落后于 Waymo；"自我认证"的范围与实际无人化运营边界仍是关键看点，不宜按"已大规模商用"理解。来源：Teslarati / WION / NAI500

Waymo 推出第六代 Robotaxi（Ojai），整车"中国造" · autonomy

新车型由极氪/吉利平台制造，官方称传感器数量减少约 42% 而能力反升，先向旧金山、洛杉矶、凤凰城部分受邀用户开放；Waymo 周付费订单已达 40-50 万单。新车型投入更多指向平台化与规模化降本，行业开始认真"算经济账"。来源：搜狐 / 车东西

宇树科技 6 月 1 日科创板上会，冲"人形机器人第一股" · humanoid ⚠️ 招股书口径

上交所定于 6 月 1 日审议宇树 IPO。招股书显示其 2023→2025 营收从 1.59 亿增至 16.99 亿元、2025 年出货约 5500 台居全球人形出货首位，毛利率升至约 60%；但一季度增长明显回落（营收增速由 332% 降至 68.49%），扣非净利润由 8483 万元降至 4025 万元，市场对其偏消费电子式增长的可持续性存疑。来源：focuson embodied AI / 子弹财经 / IPOMiner

自变量发布"事件级"具身世界模型 WALL-WM · world-model ⚠️ 厂商口径

自变量称 WALL-WM 不再逐帧预测"0.1 秒后的画面"，而直接想象"抓住杯子那一刻"的关键事件状态，跳过中间冗余帧以提升抽象与泛化能力；并称其为全球首个事件级具身世界模型。具体评测与第三方对比尚待公开。来源：具身智能前沿（自变量）

智元密集发布：AGILE 感控模型、远征 A2 拿下多地认证、海外收入近 20% · embodied

智元一周连发多项技术，包括 AGILE 感控模型；合伙人姚卯青称上半年海外收入占比已近 20%；远征 A2 称同时拿下中、美、欧多地安全认证，其精灵 G2 已在广州地铁承担安检协管、巡检、引导等岗位。智元 2025 年营收约 10.5 亿元，2026 年定下 40 亿目标。来源：科极智窗 / 新浪财经 / 机器人硬核局

中国为人形机器人发放"数字身份证" · humanoid ✅ 已证实

每台人形机器人获专属数字编码，实现从出厂到报废全生命周期可追溯，被视为安全监管与规范化管理的基础设施，亦为后续保险、责任认定等留出接口。来源：新华系 / The News International

小鹏 P7 搭载第二代 VLA 上市，并成立 Robotaxi 独立业务部 · autonomy

小鹏 P7（20.38 万元起）搭载第二代 VLA 智驾正式上市；同时宣布成立 Robotaxi 独立业务部入局 L4。何小鹏公开称"很多机器人公司没做好小脑，他们做的是脑干、脊椎"，强调底层运动控制能力是当前被低估的难点。来源：汽车之家 / 新浪

FutureX · 记录未来如何发生

素材来源多方媒体/网络新闻