北京人形XR-1模型开源！推动具身智能迈入“全自主、更好用”新阶段？｜科技观察

封面新闻记者 边雪

12 月 18 日，封面新闻记者从北京人形机器人创新中心获悉，国内首个且唯一通过具身智能国标测试的具身VLA大模型 XR-1，以及配套的数据基础RoboMIND 2.0、ArtVIP最新版开源。基于上述开源成果，能够推动具身智能行业追寻最本质需求，让机器人真正在各类应用场景下能干活并且会干活，推动国内具身智能行业迈向“全自主、更好用”的新阶段。

据工作人员介绍，聚焦“让机器人能干活、会干活”的核心诉求，北京人形打造了通用机器人平台“具身天工”、通用具身智能平台“慧思开物”。围绕“具身天工”平台，北京人形已发布具身天工2.0、天轶2.0等多类型通用本体，为人形机器人干活奠定物理本体基础。而具身大脑和小脑的协同是人形机器人干活的另一前提，目前围绕“慧思开物”，北京人形已开源WoW（我悟）世界模型和Pelican-VL（天鹕）等具身大脑相关成果。

本次开源的系列内容，是面向具身小脑能力的VLA模型XR-1，以及为XR-1等模型提供数据训练支持的RoboMIND 2.0和ArtVIP。

当前，具身智能行业面临着一个核心痛点：AI 技术虽能实现文本创作、视频生成等虚拟场景应用，但机器人在物理世界中往往难以完成 “拿东西”“递东西” 等基础任务，这背后是 “视觉感知” 与 “动作执行” 的割裂。

机器人虽能识别物体，却只能依赖预设指令执行动作，如同 “只会死记硬背的笨学生”，一旦环境出现微小变化便会失效。为啃下这块技术硬骨头，北京人形聚焦核心技术攻坚，打造出具备 “知行合一”能力的XR-1具身小脑大模型。

机器人拿取物品。（受访者供图）

值得注意的是，北京人形首创的UVMC（多模态视动统一表征）技术是关键，通过它，能够搭建起视觉与动作的映射桥梁，让机器人将看到的画面瞬间转化为身体的本能反应，像人类条件反射般自然做出正确的应对动作。例如：机器人在执行倒水任务时看到正在倒水的杯子被拿走了，就本能地停止倒水；当杯口被遮住，就自然地拨开遮住的人手，继续倒。 这一关键的技术创新让机器人具备了“本能反应”，可以游刃有余地应对复杂多变的现实世界，以及工作场景中的突发情况，从而真正做到全自主完成工作任务。

XR-1的多构型预训练能力，使具身天工2.0具备全身多关节丝滑拟人控制，可实现大幅弯腰下蹲并精准抓取随机摆放的物料箱，完成复杂倒料任务；物料分拣任务需要机器人具备精准识别和高动态抓取零件以及准确分类的能力，基于XR-1框架微调后的轻量级VLA模型，使得机器人具备快速精确物料分拣能力。

在业内首个连续开关穿行5扇门的任务场景中，机器人面对绿色栅栏门时，能主动展开双臂适配结构并协同底盘通过；遇到蓝色下压把手门，便自然下压推门；穿越红色窄门时动态收肩调姿；推开黑色重门时稳力同步前行；识别推拉门后则沿轨精准滑动。关门阶段更可反向切换推拉策略，全程无需人工干预。这一能力源于XR-1模型对场景的实时理解与动作预测，让天轶2.0真正具备了在复杂环境中“看得懂、做得对、走得稳”的全自主操作本能。

刚刚过去的11月，由中国电子技术标准化研究院基于编制中的国家标准《人工智能具身智能大模型系统技术要求》正式发布了“求索”具身智能测评基准EIBench，同时邀请了多家国内顶尖具身智能团队参与了首次测评。在本次测评中，北京人形机器人创新中心的XR-1模型成为了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，也成为了全国首个获此殊荣的VLA模型。

“为解决具身智能优质数据的稀缺问题，北京人形在2024年12月推出了大规模多构型智能机器人数据集和Benchmark——RoboMIND，发布后吸引全球众多顶尖实验室与开发者接入使用，累计下载量已超15万次。”据工作人员介绍，在RoboMIND 1.0阶段，包含了10万条机器人操作轨迹，覆盖4种机器人本体，涉及5大场景下的479个任务、38种技能，并且引入了ACT、DP、OpenVLA、RDT 4种模型验证。