独家｜万亿市值的智谱，首次开源具身智能模型以及1000小时机器人数据集

来源：市场资讯

（来源：智能纪元AGI）

这两天，AI大模型龙头智谱股价迎来“过山车”。

上周22日，智谱股价2980港元/股创新高，总市值首次超1万亿港元；回落之后，24号还继续总市值重回1万亿港元，如今是9380.54亿港元。

今天，更大的消息是，智谱已经开始加入具身智能热潮，研发VLA（视觉-语言-动作）具身智能模型了。

6月30日消息，智能纪元AGI独家获悉，智谱AI和中国人民大学的联合团队，近期研发出基于全身密集具身思维链（ECoT）方案、高达26亿参数的端到端VLA模型ZR-0，以及配套构建规模达 6000 万帧（约1000万小时）数据的机器人数据集 ProcCorpus-60M。

值得一提的是，论文提到：本论文（至少6位作者）的部分工作，是在智谱实习期间完成的。

这意味着，这是智谱首次公布实体机器人专用的VLA和物理具身智能模型，而且是开源的。

（注：之前智谱发布的CogAgent和AutoGLM统一架构，落地场景在电脑和手机 GUI 数字交互）。

据悉，对比多款行业标杆模型，在LIBERO单臂基准中，ZR-0整体成功率高达97.8%，最难的长时序多子任务套件得分 96.4%；而且在双臂、人形仿真环境与真实xArm机械臂上实现全面性能领跑。

相关成果已于今天发布arXiv预印本。

本论文通讯作者则是中国人民大学信息学院计算机系讲师，清华大学博士张静，她也是智谱创始人唐杰教授和李娟子教授的学生。

具体来看论文。

论文提到，在通用具身模型领域，长期存在一个难以突破的核心瓶颈：不同机械臂、人形机器人的运动自由度、动作空间、硬件配置差异巨大，传统仅依靠底层动作监督训练的VLA模型，很难实现跨机型迁移适配。即便经过微调，面对陌生物体、杂乱环境时任务完成率也会大幅下滑。

因此，研究团队首先提出了一个拥有26亿参数的端到端VLA模型ZR-0，它利用具身思维链（ECoT）推理作为密集监督信号来对齐跨具身特征；以及基于ECoT的增强机器人数据集ProcCorpus‑60M，从而解决跨机器人形态（单臂、双臂、人形）迁移难题，训练用推理、推理阶段零额外推理开销。

这意味着，无论单臂机械臂还是人形机器人，执行任务都遵循统一推理流程，识别场景、评估任务完成进度、拆解分步子任务、定位目标物体。

具体来说，首先，研究团队设计结构化ECoT标注体系，它采用结构化细粒度推理标注，每条轨迹全部帧自动生成6类原子监督信息，全部机型通用、不绑定硬件：涵盖场景描述、进度判断、长期任务规划、标准化原子动作、目标物体框、离散动作标记。

这套标注完全脱离机器人硬件限制，能够作为统一监督信号对齐跨机型视觉表征，从根源解决不同机器人之间的表征割裂问题。

其次，依托ECoT监督机制，ZR-0采用双系统架构（注：类似大小脑，包含System1/System2 认知框架），将视觉语言主干与动作生成模块解耦协同。

其中，System 2选用阿里Qwen3-VL-2B预训练多模态大模型（VLM），作为感知推理核心，负责处理视觉观测和任务指令，生成结构化的ECoT推理，以捕捉对当前场景和任务与具身形态无关的理解。

System 1 则搭建基于DiT架构的动作专家，它接收VLM的表示，并通过流匹配将它们映射到具身特有的连续动作片段。

ZR‑0总计包含约26亿参数：其中VLM部分（基于Qwen3‑VL‑2B‑Instruct初始化）占21亿，基于DiT的动作专家占5亿。而两个系统，通过交叉注意力机制连接，从而实现了从推理到动作的丰富信息流动。

而且，为平衡训练收益与推理延迟，团队还设计专属交叉注意力掩码：动作模块仅读取原始图像与指令特征，完全跳过推理阶段的 ECoT 文本解码，无需额外自回归开销，单A600显卡生成一组动作块仅需约90毫秒，完全满足机器人实时操控需求。此外，训练过程联合优化两项损失，实现认知与动作双重对齐。

再次，为支撑ZR-0大规模预训练，团队整合Open X-Embodiment、DROID、RH20T 等多套开源机器人数据，打造 ProcCorpus-60M 数据集，整体包含超 40 万条机器人轨迹、合计6000万帧（1000 小时）操作画面，全程通过大模型自动化生成 ECoT 标注，大幅降低人工标注成本。

同时，预训练阶段混入图文问答、图像描述等通用多模态数据，缓解机器人微调带来的大模型基础视觉能力遗忘，提升模型对杂乱、陌生场景的鲁棒性。

研究在四类主流评测场景完成完整对照实验，覆盖：LIBERO单臂仿真、RoboTwin 2双臂仿真、RoboCasa人形桌面仿真，以及现实世界 xArm 机械臂，涵盖了多种本体、任务和场景配置。

对比 π0.5、GR00T、OpenVLA、MolmoAct 等多款行业标杆模型，在 LIBERO 基准中，ZR-0 整体成功率达 97.8%，最难的长时序多子任务套件得分 96.4%；人形仿真场景平均完成率 69.3%，抓取类任务优势显著。

双臂环境下，ZR-0干净、随机扰动场景平均成功率分别达到 88.70%、87.98%，

真实机械实操测试中，ZR-0 平均分 76.0，较基线 π0.5 高出 8.2 分，文本识别、长时序整理类任务提升幅度尤为突出。

消融实验进一步验证 ECoT 的核心价值：移除思维链监督后，模型整体成功率直接下滑 2.1 个百分点，证明密集高层推理监督是跨机器人泛化的核心支撑。

尽管 ZR-0 实现了跨机型通用能力的大幅突破，论文也客观指出现存短板：当前数据集里橱柜、抽屉闭合类精细操作样本偏少，对应任务模型表现偏弱；同时高精度灵巧操控仍依赖海量底层动作数据，仅依靠高层 ECoT 推理无法补齐精细运动能力。

面向未来，团队规划三条优化路线：扩充人形、精细操作类机器人数据；引入海量人类第一视角视频，无需机器人采集即可扩充具身推理素材；优化 ECoT 标注策略，仅筛选关键帧生成标注，降低整体算力消耗。

整体来看，ZR-0 通过思维链监督打通跨形态具身大模型的通用化瓶颈，为下一代通用机器人基础模型提供了一套兼顾泛化能力与实时推理效率的完整技术方案，相关数据集与模型代码已开源。