星尘智能实现20+超难家务自主，具身模型圈呼吁停止内卷

一觉醒来，具身智能的牌桌上又多了一张硬牌。 WAIC 前夕，星尘智能（Astribot）新模型 Lumo-2，直接在官网甩出 20 + 真机视频 —— 两个机器人四手联弹打包礼盒、煎蛋还要颠锅、称一斤小米、接住高处滚落的球、磨豆做咖啡、花式调酒、打蝴蝶结、行李箱拉拉链、叠衣服…… 几乎把 "复杂家务" 这四个字能覆盖的场景都过了一遍。 在官网上，20多个全流程视频已经挂了出来，技术报告也同步公开。 这背后，是星尘智能正式发布的第二代具身基座模型，也是业内首个面向家庭场景的隐式世界-动作模型（Latent World-Action Model）。同步推出的，还有智能体 Agent Philia。结合上个月发售的 8.99 万起的新本体 T1，星尘智能 "AI 模型 — 具身 OS— 绳驱本体" 三位一体的全栈架构，完成了一次完整升级。 在此之前，能拿出多个长时程、连续、无遥操作真机演示的公司屈指可数，大部分公司还停留在仿真环境测试阶段。Figure 先后放出厨房、房间、客厅三段整理视频，成了行业标杆；Physical Intelligence 任务多、时序长、提供全流程视频，跟此次发布颇为相像。 星尘智能，一口气抛出 20 + 任务，不仅数量可观，任务类型也不是简单的 "拿取 - 放置"（pick and place），而是跃升到需要时序推理、物理理解、高精细操作、人机协同的更高难度区间。 部署性同样亮眼，端到端推理速度比标准自回归提升 2.71 倍，且不损失精度，能支撑闭环实时控制。 20 + 家庭任务，难度分层拉满 翻看星尘智能这次公开的任务清单，会发现它并不是在堆砌数量凑热闹，而是刻意按能力维度做了分层展示： * **协同合作**：一个机器人都难完成的高精细度折纸盒任务，让两个机器人或人和机器人四手联弹，过程中需要理解对方在做什么、做到哪一步、持续判定状态，难度暴增。 * **物理理解**：煎鸡蛋并颠锅翻面、称出 500 克小米、把咖啡粉碗刷洗干净 —— 这类任务表面简单，实则要求机器人对液体、颗粒物、油温这些非刚体物理规律有真实的感知与预判，而不是背答案式地重复固定轨迹。 * **时序推理**：接住从高处滚落的球、把杯子准确放进正在旋转的杯架、拿起一颗正在滚动的鸡蛋。这几个任务几乎是给机器人出的 "动态目标预判题"，容错空间极小，稍慢一拍就会失败。 * **长程任务**：磨粉、萃取、出品，一整套咖啡制作流程；花式调酒；煎蛋加撒胡椒 —— 任务链条长、步骤强依赖，前一步的误差会直接传导到后面每一步。 * **高精细灵巧操作**：给礼盒系蝴蝶结、往书包里塞玩具再拉上拉链、熨烫衣物并挂上衣架、行李箱装箱拉链、拆茶包泡茶、叠衣服。这类任务非常少见，对末端力控和视觉伺服精度要求极高，是过去人形机器人最容易 "露馅" 的地方。 一套 Demo 打下来，星尘智能想传递的信号很直接：不是能做一件事做到极致，而是同一套大脑系统，能撑起认知理解、动态反应、长链条执行、精细操作等多种完全不同的能力形态。这也是它敢把技术报告和数十段视频一次性公之于众的底气。 真正的分野：不是模型多强，是 "AI - OS - 本体" 齐不齐 Demo 好看，只是表象。真正决定这场竞赛走向的，是 Demo 背后支撑的技术路线。 放眼全球，具身智能公司大致能分成全栈派、偏模型大脑派、本体派几类打法： * **全栈派**走苹果 “软硬件协同” 路线，围绕 AI 模型、机器人操作系统（OS）、机器人本体及量产部署进行一体化布局，其优势在于软硬件协同优化，能够持续获取真实场景数据，形成” 数据 — 模型 — 产品” 闭环，加速机器人能力迭代。 * **大脑派**则聚焦打造跨机器人平台的通用基础模型，Pi 重点突破 VLA、提升机器人长时序任务和泛化能力；Skild AI 则为不同机器人提供统一智能层。其优势在于能够集中资源推动基础模型创新，具备更强的跨平台适配能力。 星尘智能给出的判断是：机器人真正要走进家庭，AI 模型、具身操作系统、机器人本体，三者缺一不可，谁也替代不了谁。 * AI 模型负责理解世界、学习技能，是感知与决策的源头； * 具身 OS 负责长期服务用户、管理记忆、协调多个智能体，是机器人 "活下去、记得住、越用越懂你" 的中枢； * 本体负责安全、高效地和真实物理世界打交道，是所有智能最终落地的载体。 单独把某一环做到极致 —— 无论是最强的模型、最能打的操作系统，还是最精密的硬件 —— 都只是 "半成品"。只有 AI 模型、具身 OS、绳驱本体三者协同进化，机器人才能真正成为开放世界里可持续迭代的 "Personal Robot"。 这也是为什么星尘智能把这次发布同时押在 AI、OS、本体三条线上 ——AI 模型管 "脑子怎么想"，OS 管 "这个脑子怎么长期服务人、协调多台机器人"，而背后的绳驱本体，则是全球第一家实现量产的绳驱人形机器人平台，模仿人类肌腱运动机制，让机器人在灵巧操作、拟人表现力、人机交互安全性上有天然优势 —— 这一点，纯软件公司做不到，只靠硬件堆料的公司也做不到。 5 月发布 T1 新品 8.99 万元起售，将高精细操作机器人打到地板价。 Lumo-2：先 "预测世界"，再 "生成动作" 过去一代具身模型，无论是 VLA 还是 WAM（世界动作模型），本质上都在解决 "下一步该做什么动作"，却很少回答 "这个动作会怎样改变世界"。这带来两个老问题：复杂技能高度依赖昂贵的机器人示范数据；模型越做越大，端侧部署成本水涨船高。 Lumo-2 的核心思路是反过来：先在一个轻量级、基于物理规律的潜在动态空间里预测未来世界会变成什么样，再从这个预测结果生成动作。这比传统显式文本推理 "一步步说出想法" 更快，也比直接生成未来视频的世界模型更省算力，用最小的计算代价，实现了接近世界模型的推理能力。 技术报告里，团队还指出了一个此前容易被忽视的问题：过去基于重建的动作编码方式，会让模型学到的表征偏向 "重建得像不像"，而不是 "控制得好不好"，导致训练指标和真机表现两张皮。 为此，Lumo-2 设计了三阶段渐进式跨模态对齐 —— 先把动作和世界动态对齐，再把动作和视觉、语言对齐，最后在多源异构数据上联合训练，从根子上解决了 "训练好看、真机拉胯" 的老毛病。 阶段 1：将动作与世界动态对齐 阶段 2：将动作与视觉和语言对齐 阶段 3：在 VLM、视频和机器人数据上联合训练 这套设计带来了实打实的性能提升： * 在按时序推理、物理理解、长流程、高精度四类拆分的真实复杂任务测试中，综合表现全面最优，超越 Pi0.5 和 Fast-WAM。 * 在具身 VLM 基准测试中，相比同规模基座，Lumo-2 在几乎所有具身理解与空间定位任务上都取得一致提升，多项核心基准排名第一。 * 在泛化抓取 - 放置任务上，无论是基础设置、未见指令还是未见物体，Lumo-2 都持续优于 π₀.₅和 Fast-WAM 等主流基线，在未见指令 + 未见物体的组合场景下优势尤其明显。 * 在人机技能迁移上，面对两类标注完整度不同的人类视频数据源，Lumo-2 无需额外的专用迁移学习机制，就能把人类演示中的经验有效迁移到机器人任务上，包括那些机器人从未见过的物体。 工程层面也毫不示弱，分块自回归解码策略利用动作维度间的弱耦合性并行生成，端到端推理速度比标准自回归提升 2.71 倍且不损失精度，能支撑闭环实时控制。 轻量化的时序上下文机制则通过历史动作记忆，消除多阶段任务里的 "感知混叠"，让长链条任务不容易在中途 "断片"。 Agent Philia：让机器人不止会干活，还能长期陪着你 如果说 Lumo-2 解决的是 "这一步怎么做"，Agent Philia 要解决的就是 "这个机器人怎么在你家里长期靠谱地活下去"。 Philia 采用全模块化解耦架构，交互界面、推理模型、记忆系统、导航算法、操作策略、新增机器人实体支持，都是独立组件，升级任何一块都能直接反映到整体能力上，不需要推倒重来。 它维护一套持久化的语义记忆，记住用户偏好、历史交互、任务执行记录和语义位置信息 —— 这些记忆只用来辅助任务规划，不会绕过安全校验直接控制机器人执行，网关层始终把关。用户可以直接用飞书、微信这类日常应用，打字或说话下指令，不用学一套新的操控方式；机器人还能结合历史上下文理解你的真实需求，主动汇报执行进度。 对企业客户，Philia 支持一个智能体同时调度多台异构机器人：每台机器人保留自己的地图、定位和运行时环境，但共享同一个语义空间，任务可以在多台机器人之间统一分配。对开发者，Agent 能力和机器人本体能力相互解耦，模型可以持续升级、机器人平台可以持续扩展，而不用把整套系统推倒重来。 三位一体时代，牌桌上没几个真玩家 具身智能这场仗，正在从 "比谁的模型参数大、榜单刷得高"，转向 "比谁先把 AI 模型、具身 OS、机器人本体拧成一个能持续进化的系统"。这不只是技术路线之争，更是决定谁能率先把机器人真正规模化推进普通家庭的分水岭。 星尘智能这次交出的答卷是：20 + 高难度任务的真机验证，加上一篇把训练方法论、benchmark 结果和局限性都摆出来的技术报告，再加上一套面向长期服务的操作系统 —— 三样东西同时拿出手，这在当前全球具身智能公司里并不多见。 7 月 17 日至 20 日，星尘智能亮相在上海世界人工智能大会（WAIC）上，已成为客户最爱展示的机器人产品之一，出现在多个落地场景：蚂蚁集团智慧药房应用，京东集团智慧零售应用、智能操作系统公司中科创达（股票代码：300496.SZ）智能交互应用、类脑具身智能公司具脑磐石的智慧导览应用场景。 模型可以被复现，Demo 可以被模仿，但长在自家绳驱本体上的运控策略、大脑与身体之间磨合出来的协同关系，以及能陪用户一起变聪明的记忆系统，短期内很难被简单复制。 具身智能这条赛道，显然还没到谁能松口气的时候。