UnifoLM-WLA-1.0 宇树科技推出的具身多模态大模型
UnifoLM-WLA-1.0是什么
UnifoLM-WLA-1.0是宇树科技推出的6B具身多模态大模型，基于约2500小时真机数据训练，将视觉、语言与动作统一建模，单模型统筹64项桌面与全身移动操作任务。模型开源了约4B的UnifoLM-ER-1感知推理模型与ER-Flow动作建模模型权重，后者融合未来动态预测与离散动作学习，完整系统与后训练代码将陆续开放。
UnifoLM-WLA-1.0的主要功能
具身感知与推理 ：识别物体位置、空间关系及可操作区域，回答目标在哪、物体间什么关系等问题，为操作决策提供感知基础。
视觉-语言-动作统一执行 ：将任务指令直接映射为机器人可执行动作，单模型统筹54项桌面任务与10项全身移动操作，无需为每个任务单独训练策略。
交互结果预测 ：在动作执行前预测操作引起的场景变化，减少无效尝试。
全身协同操作 ：覆盖上肢操作与下肢移动的整体控制，可完成铺床、叠衣、倒垃圾等需移动+操作配合的复合任务。
UnifoLM-WLA-1.0的技术原理
统一VLA架构 ：视觉语言模型为骨干，将图像、语言指令与动作放入同一模型联合建模，用约2500小时真机数据端到端训练出6B参数模型，避免感知、规划、控制分模块造成的误差累积。
离散动作表示 ：通过RVQ将统一动作空间，末端姿态、灵巧手关节、下肢关节，分别离散化为动作token，使连续控制问题转化为语言模型擅长的token预测问题，与视觉、文本信息在同一序列中处理。
未来动态预测（ER-Flow层） ：引入掩码token机制，在推理时同时预测动作token与未来动态区域token，让模型在动手之前先想象操作引发的场景变化，再据此生成动作序列，实现感知与行动的闭环耦合。
分层模型设计 ：ER-1负责底层感知推理，ER-Flow在其上增加动作建模，两者构成WLA系统的感知底座与中间层，完整6B系统在此之上整合后训练得到全身操作能力。
如何使用UnifoLM-WLA-1.0
获取代码 ：访问项目主页 unigen-x.github.io/unifolm-wla.github.io 或 GitHub 仓库 unitreerobotics/unifolm-wla ，按 README 克隆代码并安装依赖环境。
下载权重 ：从 HuggingFace 拉取已开放的 UnifoLM-ER-1和 UnifoLM-ER-Flow两款模型权重，用 huggingface-cli download 命令即可。
跑通推理示例 ：先用项目提供的推理脚本加载 ER-1，输入机器人当前画面和任务描述，测试目标定位、空间关系理解等感知推理输出是否正常。
接入动作预测 ：加载 ER-Flow，输入当前图像+任务指令+候选动作，模型会输出离散动作token及未来动态区域预测，需按官方提供的 RVQ 解码方式还原为连续控制信号。
适配真机控制 ：将解码后的动作指令接入宇树 G1 / H1 等机器人的运动控制接口，并在仿真或真机上小规模验证后再部署，因为权重本身不包含完整机器人控制系统。
UnifoLM-WLA-1.0的核心优势
单模型多任务 ：6B参数即统筹54项桌面操作与10项全身移动操作共64项任务，无需为每个任务单独训练策略，泛化能力领先。
真机数据扎实 ：基于约2500小时真机操作数据训练，而非纯仿真数据，动作输出更贴近真实机器人动力学特性。
感知底座性能强 ：底层ER-1模型基于Qwen3-VL-4B、经500万+样本强化训练，在RefSpatial-Bench等7项开源模型评测中均取得第一。
会预判再行动 ：ER-Flow通过掩码token预测操作引发的未来场景变化，先想象动作后果再执行，减少无效尝试和碰撞风险。
全身统一控制 ：RVQ将灵巧手、末端姿态、下肢关节编码为统一动作token，实现上肢操作与下肢移动在同一模型下的协同决策。
UnifoLM-WLA-1.0的项目地址
项目官网 ：https://unigen-x.github.io/unifolm-wla.github.io/
GitHub仓库 ：https://github.com/unitreerobotics/unifolm-wla
HuggingFace模型库 ： https://huggingface.co/unitreerobotics/UnifoLM-ER-Flow
https://huggingface.co/unitreerobotics/UnifoLM-ER-1
UnifoLM-WLA-1.0的同类竞品对比
对比维度 UnifoLM-WLA-1.0（宇树） π0 / π0.5（Physical Intelligence） 发布方 宇树科技（中国） Physical Intelligence（美国） 参数规模 6B（完整版），另开放约4B的ER-1/ER-Flow 3B（VLM骨干+动作专家混合架构） 训练数据 约2500小时真机数据 多种机器人平台采集的跨本体数据 任务覆盖 单模型统筹64项任务（54桌面+10全身移动） π0.5主打开放世界泛化与长程任务（如折叠衣物、清理桌面） 动作表示 RVQ将手/臂/腿动作离散化为统一token 连续动作流 + 离散动作块（action chunking） 独特机制 ER-Flow预测未来动态区域，先想象再行动 π0.5用推理-行动交替机制处理长程任务 开源程度 完全开源 （Apache 2.0权重+技术报告），可本地部署 不开源，仅通过合作方API或租赁机器人使用 硬件绑定 深度适配宇树G1/H1人形机器人 跨平台（单臂、双臂、移动操作等多种本体）
UnifoLM-WLA-1.0 应用场景
家庭服务 ：完成叠衣、铺床、倒垃圾等日常家务，是发布会重点演示的核心场景。
工业制造 ：在产线上执行零件抓取、工具递送、简单装配等重复性操作任务。
物流仓储 ：进行货物分拣、包裹搬运、货架整理等需要移动+操作配合的仓储作业。
科研教育 ：作为完全开源的端到端VLA基座，供高校和实验室研究具身智能算法、训练具身推理数据。
商业导览与服务 ：在展厅、商场等场所执行引导、递送物品等与人交互的服务型任务。
