穿越技术周期，星海图沉淀为模型而生的基石

作者：彭堃方

编辑：吕鑫燚

出品：具身研习社

模型复现难，是多位具身智能从业者对具身研习社表达过的产业桎梏。

具体而言，由于硬件的不稳定性或性能较差导致模型能力难以在真实任务中复现。更关键的是，无论是企业研发还是科研机构都经历过硬件“月抛”的无奈，不仅拖累研发进度也在推高研发成本。

这是深嵌于具身智能产业的痛点，硬件够用、量够大但不够完美、不够懂模型。这也为具身智能发展给出了更具象的图谱，模型能力迭代固然重要，但与之匹配的硬件平台也同样关键。

这使得硬件的角色正发生微妙变化：由原来能力展示的载体，而成为模型训练、部署与迭代的基础设施。

在这样的背景下，行业开始重新评价一类看似“不激进”的产品，即那些不频繁改变形态，却持续优化稳定性、数据质量和可部署性的硬件平台。

星海图 2026 款 R1 系列轮式双臂机器人的发布，正处在这一转折点上。当海外仍在以“更像人”为卖点时，星海图选择把重心放在稳定性、数据能力和可部署性上，本质上是在为模型和应用负责，而非为展示负责。

很明显，星海图 R1 已成为一款“经典产品”。

从 R1 系列的升级路径就能看出，星海图并未重新设计本体形态，而是在成熟架构上直击开发者痛点做精准迭代。这恰恰说明，它已经不需要依靠外观或结构创新来证明自身存在感，而是通过持续优化底层能力巩固其作为具身智能“硬件基石”的地位。

这种克制而精准的迭代，也在侧面印证一个判断：R1 系列已经完成从“新品”到“基石”的转变。它不再是一个需要被验证的技术方案，而是一套被反复验证、可以持续复用的基础设施。更重要的是，这种基础设施正在悄然拓宽边界，从开发者工具演进为真正的生产力载体。

具身智能产业，人形机器人已经有数百款，几乎每天都有新的硬件诞生。可以说，在今天的具身智能领域，“新硬件”并不稀缺，企业更过了靠发布硬件去吸引观众眼球、博来投资人的关注的阶段。行业内真正看重是经过真实世界验证、能够长期稳定运行的、有效激发模型能力的硬件体系。

不盲目求新、不频繁推翻架构，而是将重心放在实用体验与底层能力的持续优化上，这种极具战略意义的“克制”正造就一批经典。

而星海图的 R1 系列之所以被称为经典，就在于它形成了一套高度匹配当前技术阶段的底层架构。这套架构既能支持前沿算法研究，也能承受长时间、高强度的数据采集与任务执行，是少数同时满足科研与工程需求的平台。

作为具身智能硬件的“标杆模板”，R1 系列已经过 Physical Intelligence、斯坦福 AI 实验室和李飞飞团队以及英伟达、南洋理工大学等全球头部具身智能团队的实战检验，真正摸清了模型落地的硬件底层逻辑。

当业内部分厂商还在争论“自由度是否越多越好”“是双足还是轮式更适合干活”时，R1 已在李飞飞团队发起的首届 BEHAVIOR 家务挑战赛中，作为唯一的统一本体，在 50 项完整家务任务中验证了其复杂操作的鲁棒性。而当业内还在为探讨需不需要“五指操作”时，英伟达发布了灵巧手操作框架 EgoScale，星海图提供 R1 Pro 机器人作为核心验证平台，为 EgoScale 框架的真实世界实验提供了环境支撑，助力从大规模人类视频数据中习得的精细操作能力在物理世界中落地验证。

其实，过去几年大量顶尖团队和赛事选择基于 R1 进行实验和验证，本质上是因为它稳定、可复现、可比较。对于算法研究而言，硬件的一致性往往比单机性能更重要。只有在稳定平台上得到的结果，才具备跨团队、跨场景的参考价值。

更深层的意义在于，这种长期使用形成了工程经验的沉淀。具身智能不同于纯软件领域，真实世界中的误差、磨损、装配差异、信号噪声等因素都会影响系统表现。只有经历大量实际运行，才能摸清哪些参数真正关键，哪些设计能够支撑长期使用。这些经验难以通过论文或参数复制，往往构成隐性的技术壁垒。

与此同时，R1 在数据采集方面形成的成熟实践，使其不仅是一个执行工具，更是数据生产系统的一部分。对于依赖真实世界数据训练的具身模型而言，稳定的采集平台决定了数据质量和一致性，而数据又直接决定模型的上限。因此，硬件的价值不再只是“能完成任务”，而是“能持续生产高质量数据”。

透过R1过往沉淀可见，其价值绝不止步于硬件本身，而是服务于模型。

正因如此，R1 的“不过时”并非停滞不前，而是建立在精准匹配模型需求之上的持续优化，使其能够在技术路线不断变化的情况下仍保持适用性。

如果说早期 R1 的价值在于提供研究平台，那么 2026 款升级则明显指向一个新的目标：支撑具身模型落地应用。

这次升级并未试图重构机器人，而是围绕数据质量、标定一致性、端侧算力、导航能力和可靠性等关键环节进行强化。

这些改进看似分散，实际上共同指向模型落地过程中最常见、也最难解决的问题。可以说升级的R1，是完全从模型落地痛点中生长出来的。

首先是数据能力的提升：R1 将原生图像分辨率（ 提升至 1920x1536）、帧率（15 帧提升为 30 帧）大幅提升，更高分辨率和更高帧率意味着模型能够获得更完整、更连续的环境信息。在前沿的模型范式下（如世界模型），此举将大幅提升对模型预测的数据支撑；

其次是整机出厂标定带来的一致性。这一点对规模部署尤为关键。现实中的机器人并非完全相同，即使是同一型号，也会因装配和传感器位置差异产生行为偏差。如果每台设备都需要单独调校，模型就难以推广。统一标定相当于建立了跨设备的“共同语言”，使模型可以在不同个体之间迁移并复现效果；

端侧算力的标配，则标志着系统从依赖实验环境转向面向实际应用。具身智能在真实场景中往往需要低延迟和高可靠性，而云端依赖会带来网络不稳定、隐私风险和成本问题。本地运行能力意味着机器人可以在更广泛的环境中独立工作，这是从演示走向生产力的重要一步。目前，Lite 和 Pro 版本均标配端侧算力，可端侧运行星海图已开源的 250M 参数规模的端侧小模型（G0 Tiny VLA 模型）；

导航能力的标准化同样意义重大。许多机器人具备操作能力，却无法完成完整任务流程，因为它们缺乏稳定的移动系统。将导航作为基础功能提供，使开发者可以直接构建“移动 + 操作”的复合任务，而无需从底层重新开发，这也符合当前模型落地时面临的普遍场景需求；

最后，可靠性优化则是产业应用的底线。高强度测试、结构强化和寿命设计并不吸引眼球，却决定了设备能否长期运行。对于企业用户而言，一台不稳定的机器人即使能力再强，也难以投入实际业务。

综合来看，这些升级并非追求技术炫耀，而是针对真实部署中的痛点进行系统性补强，使硬件从研究工具逐渐转变为可持续运行的工作平台。

当R1成为模型驱动的硬件平台时，其产业边界也逐渐从开发者标杆，变成生产力首选。

星海图近年来构建的，是一条覆盖数据采集、模型训练、算法验证到场景落地的闭环链路。硬件只是其中的核心节点，用于连接真实世界与具身模型。

在模型层面，去年 8 月，星海图便提出了快慢双系统架构 G0，将高层规划与低层执行分离，使机器人能够处理长程复杂任务。该模型训练策略上的跨本体预训练、单本体适配和任务微调，则试图解决“通用性与专用性”的矛盾。在模型评测上，星海图 G0 全面超越 π0，全身动作、长续任务、柔性操作、语言理解优势突出，并在部分任务上实现了高达 20% 的性能提升。

目前 G0 系列模型仍在持续更新，包括 G0 模型升级版“G0 Plus”，该模型在“万物抓取（Pick Up Anything）”demo 中展示了在 Zero-shot 场景下的通用操作能力，无需针对具体物体或任务进行单独训练，R1 Lite 能够基于自然语言指令，在真实、开放环境中完成多样化抓取与操作任务，具备开箱即用的特点。

更关键的是数据与应用的循环。开放世界数据集（Galaxea Open-World Dataset）、面向开发者的一站式具身智能开发平台 EDP（Embodied Development Platform） 以及真实业务场景的持续使用，使模型能够在实际环境中不断获得反馈并优化。这种闭环机制，使技术不再停留在实验室，而是在真实世界中逐步成熟。

随着应用拓展到工业、物流和康养等领域，R1 也从开发者工具转变为产业载体。它不只是用来验证算法，而是直接参与生产流程，承担具体任务。

今年 3 月份，在北京亦庄打造的全球首个智慧康养机器人养老驿站中，依托 G0 Plus，星海图 R1 Pro 能够实时完成叠衣服、倒水等生活康养任务，直观展现了大模型数据采集与训练机制如何支撑起机器人当前强大的泛化能力。这种转变意味着硬件的价值不只体现在性能参数上，在支撑长期运行和持续围绕模型落地场景需求升级中，也可见真章。

总之，星海图 R1 的 “经典”，本质是对具身智能产业需求的精准洞察。从硬件沉淀满足开发者基础诉求，到迭代升级匹配场景落地痛点，再到全栈能力支撑产业规模化应用，每一步都回应着产业从 “技术验证” 到 “生产力转化” 的核心期待。这款 “不过时的经典”，正成为具身智能产业从实验室走向规模化落地的关键基石。

从更长的技术周期来看，具身智能的竞争或许并不会由某一次突破性模型或某一种机器人形态决定，而更可能取决于谁能够建立稳定连接模型智能与物理世界的基础设施。

软件可以快速迭代，算法可以不断更新，但真实世界具有惯性。摩擦、磨损、误差、环境变化与不可预测性，使得任何智能系统都必须依附于可靠的物理载体才能持续发挥作用。能够长期运行、持续产生数据并支持模型进化的硬件平台，本质上构成了具身智能时代的“基础层”。

从这个意义上看，一款“经典”硬件的价值，是它让不断变化的算法拥有稳定的落脚点，让一次次模型进步都有迹可循，让智能逐渐沉淀为生产力。对于星海图 R1 来说，“经典”不是终点，而是一种能够穿越技术周期的起点。