开源的人形机器人通用大脑。宇树科技 2026 年 9 月发布的 UnifoLM-WLA-1.0 是 6B 参数的通用人形机器人基础模型:一个模型统筹 64 项任务,覆盖桌面精细操作与全身移动操作,适配二指夹爪与多款五指灵巧手;训练使用约 2500 小时高质量真机数据,代码、权重与数据集分阶段开源(Apache 2.0),具身推理评测多项在参评开源模型中靠前。 定价:免费开源(Apache 2.0)。编辑评分:⭐ 4.5。
UnifoLM-WLA-1.0 是什么?
UnifoLM-WLA-1.0 是宇树科技(Unitree)于 2026 年 9 月 10 日宣布完全开源的新一代通用人形机器人基础模型,6B 参数。WLA 是 World-Language-Action 的缩写——世界、语言、动作,意思是把具身推理、对环境未来变化的预测与动作生成放进同一个统一框架:机器人先理解眼前是什么、接下来会发生什么,再决定怎么动。
这次开源的分量在于「三件套同放」:代码、模型权重与训练数据集分阶段开放,其中包含约 2500 小时高质量真机采集数据。做过机器人的人都明白真机数据的含金量——仿真里跑得完美的策略,搬到真机上可能连物体都抓不住;业内把这类数据称作具身智能的石油,宇树直接开了一口井。时间点上,这次开源紧跟 9 月 7 日两台宇树 G1 全自主格斗直播(那背后是另一套未开源的 X2-1.0 模型),三天后把面向生态的下一代大脑摆上货架,节奏耐人寻味:能打比赛的自己留着,能长生态的交给生态。
核心功能
- 单模型统筹 64 项任务:10 项全身移动操作(倒垃圾、把衣服放进洗衣机、整理浴室、铺床)与 54 项桌面精细操作(叠毛巾、插插头、从传送带抓零食)由同一套参数完成,覆盖「手」与「脚」的协同。
- 跨任务、跨末端泛化:支持二指夹爪与多种五指灵巧手,动作空间以残差向量量化统一对齐末端执行器位姿、手部关节与下肢关节,换硬件不必重训。
- 交互中心的世界建模:不生成完整未来画面,而是通过光流提取动态区域、压缩为离散 token,只预测未来会变化的部分,提升空间感知效率与场景理解。
- 高质量真机数据训练:约 2500 小时真机数据,涵盖宇树自有数据与 BitRobot-HIW-500 等公开来源,直指仿真到真机的迁移落差。
- 具身推理底座:UnifoLM-ER-1-4B 基于 Qwen3-VL-4B 与超 500 万条具身推理样本训练,厂商口径下在 16 项基准中 7 项领先参评开源模型,部分空间理解成绩高于头部闭源模型。
- 完整的训练与部署链路:仓库提供动作专家训练、评估、模型服务端、LoRA 微调等代码,配套项目主页与数据集发布。
版本/套餐对比
UnifoLM 家族按阶段演进:2025 年 9 月开源世界模型 UnifoLM-WMA-0,2026 年 1 月开源 VLA-0,2026 年 9 月轮到 WLA-1.0,形成世界模型、VLA、WLA 三条技术线。WLA-1.0 本身的开源是分批的:9 月 11 日放出 UnifoLM-ER-1 与 ER-Flow 权重,9 月 20 日放出模型结构与动作专家训练代码,9 月 28 日放出 UnifoLM-WLA-1.0-Base 权重与微调代码,全身遥操作数据集等资产列在后续计划中。许可为 Apache 2.0,允许商用。与海外同类相比,Physical Intelligence 的 π 系列不开源权重,只经合作方使用;宇树选择权重、代码、数据全开,差异化非常明确。
值不值得用?
对具身智能研究者与中小机器人公司,这是近年最值得跟进的开源基座之一:降低从零训练基础模型的成本,直接在其上做场景适配与二次开发;约 2500 小时真机数据对训练动作策略有直接价值;Apache 2.0 许可给商业化留了空间。
需要冷静的地方:官方公布的评测优势多为厂商自报,尚无独立第三方复现;模型深度绑定宇树本体,跨本体落地需要自行解决硬件对接;开源是分阶段的,部分关键资产仍在后续清单里;实际部署仍要结合本体、数据与控制系统做大量工程工作。把 WLA-1.0 视为「能力起点与生态入口」,而不是拿来即用的成品,定位才准确。
使用建议
- 从 ER-Flow 与 ER-1 权重入手跑通推理链路,再用官方代码训练自己的动作专家,逐步过渡到 Base 权重微调。
- 利用 LoRA 微调支持做垂直场景适配,避免全量训练的算力开销。
- 复现评测时建立自己的测试集,不要只看厂商口径,空间理解与任务成功率都应在真实环境验证。
- 关注后续数据集发布节奏,真机遥操作数据对训练价值高,早做数据管线准备。
适合谁用?
推荐:具身智能方向的实验室与高校课题组、计划在人形机器人上做场景落地的中小机器人公司、需要真机数据与开源基座降低起步成本的研究团队。
可考虑:做跨本体通用策略研究的团队,可将其作为国产开放基座的对照路线。
不推荐:没有机器人本体、只想做纯仿真演示的用户;期待开箱即用成品机器人的普通消费者;对第三方复现结果零容忍的关键业务场景——等独立验证更稳妥。