跻身世界人形机器人运动会工业场景赛全国前三，ROSS Harness 以全自主模式突破工业具身智能落地瓶颈

在 2026 世界人形机器人运动会-工业场景赛 -「装配上料岗」赛项中，一台机器人需要连续完成搬运上架、拣选上料、物料装配三项任务：从搬运 10kg 物料箱，到七类零件拣选，再到发动机 18 个气门的亚毫米级装配。最终，灵犀智涌机器人纯自主完成整套任务，三项分别取得 84分 、 65 分及 21 分，在计入10分专项扣分后，以总分 160分的成绩顺利完赛。按企业维度排名，仅次于行业头部机器人企业旗下的两支队伍，也是首次参赛即冲入全国前三的唯一初创公司。

对于正在从 Demo 走向真实产线的具身行业来说，这场比赛的意义远不止分数。相较于其他赛场上歌舞喧嚣，场景赛上的 2 0 分钟，浓缩了工业具身智能机器人当下真正需要解决的问题：不仅要在真实场景里「会做」，还要在工业级时间窗口内连续做对；不仅要完成一个动作，还要把多个动作串联成稳定执行的完整任务；更要可交付、可验收的工业生产结果。

这也是灵犀智涌想解决的问题。这家由 98 后中科大博士段逸凡在上海创立的工业级自进化具身智能机器人公司，没有把核心竞争力仅仅押在模型上，而是选择了一条不同的路线：CONWAY 工业原生模型 + ROSS Harness自主进化引擎。模型负责想「怎么做」，ROSS Harness 负责「怎么把模型真正用好，把活真正干好」。

工业具身智能，正在进入「第二道考题」

过去两年，具身智能行业最核心的技术叙事，始终围绕一个问题展开：如何让机器人拥有更强的「大脑」？VLA、World Action Model、强化学习、第一人称视频数据……模型能力不断向前推进。

但一个基本事实是：从 2025 年至今，行业还没有一家公司完整跑通工业场景的产品闭环。

实验室里，一个机器人成功完成一次抓取、搬运或装配，就足以说明模型具备相应能力；工厂却不是这样——这里没有完全可控的光照，没有始终固定的工位，也没有一成不变的物料。机器人需要面对夹具误差、物料变化、设备状态变化和长尾异常，还要满足真实生产节拍。

因此，工业真正关心的不是「这个任务能不能做出来」，而是「能不能持续高质量交付」。

当前工业具身智能的落地问题，可以概括为四个层面：成功率不够、吞吐率不够、运行成本高，以及迁移困难。工业现场要求接近 100% 的良率，容不下长尾出错；机器人不是「做出来一次」就行，而是要接近甚至超过人工节拍；更现实的是，「三个工程师服务一台机器人」并不罕见——若一台机器后面要站几个工程师，商业账就算不过来。

这几个问题实际上对应着同一个断层：模型的能力，不等于工业系统的交付能力。一个模型可以拥有很强的 Zero-shot 能力，但进入真实产线后，仍然可能需要场景数据、后训练以及大量工程约束；而工业任务往往是长程任务，不可能让模型在每一步都自由发挥。

于是，当行业还在追问「谁的模型更强」时，工业现场其实已经提出了第二道考题：谁能把模型真正用好？

从「模型会不会」到「系统能不能做好」，中间差的是 Harness

这个问题并不只属于具身智能。在数字世界里，大模型从「会回答问题」走向「真正干活」，已经经历过类似的变化。今天的 Coding Agent 并不是简单把一个大模型放进代码编辑器，模型之外，还有上下文管理、任务规划、工具调用、工作流编排、安全校验、多轮执行和结果验证。真正让模型成为 Agent 的，不只是模型本身，而是围绕模型构建起来的 Harness。

一个有力的佐证是：同样的基座模型，放进不同的 Coding Agent Harness，其任务表现可能判若两人——模型决定它会不会，Harness 决定它能不能真正把事做好做成。

灵犀智涌试图把这套逻辑进一步带到物理世界：数字世界 Agent = LLM + Harness；物理世界 Embodied Agent = Embodied Model + Embodied Harness + Hardware。

区别在于，机器人面对的是一个连续、开放、不可完全预测的物理世界。数字 Agent 调用了一个错误的 API，最多重新执行一次；机器人执行了错误动作，却可能意味着碰撞、物料损坏，甚至安全风险。

所以，具身 Harness 不能只是「调用工具」的软件层。它必须同时理解：模型什么时候应该被调用，一个长任务应该如何拆解，多个 Skill 如何组合，模型输出是否安全，任务是否仍在正常推进，出现异常后应该重试、回退还是重新规划，以及一次失败如何沉淀为下一次执行可以使用的经验。

这也构成了 ROSS Harness 的基本逻辑：它不是在模型外面再加一层工程代码，而是在模型与机器人之间建立一条能够持续运行的执行闭环。

CONWAY 与 ROSS：两条能力链的协同

这里也是灵犀智涌技术体系最值得关注的地方。强调 Harness，并不意味着模型不重要——恰恰相反，如果不理解模型，就很难真正做好 Harness。灵犀智涌的路线因此不是「放弃模型」，而是同时构建 CONWAY 工业原生模型与 ROSS Harness，并让二者协同演进。

CONWAY 解决的是：机器人「如何形成高质量的局部动作决策」。

它的定位并不是与通用基座模型比参数规模，而是围绕工业任务本身，研究模型在真实工业环境中需要具备什么能力。团队围绕力触觉增强、快速推理、动作对齐、少样本适配、强化学习后训练等方向持续研究，形成了若干项已有论文支撑的自研成果：FAVLA引入6D力觉，提升机器人在插拔、装配等工业接触任务中的稳定性与响应速度；DBPO把多步生成压缩为原生单步策略，并支持强化学习后训练，满足工业机器人对高频、实时控制的要求；CAC-VLA通过显式 latent action 对齐视觉语言理解与连续动作控制，提升工业操作中的动作精度与泛化能力； VLA-Stem在不改动原有 VLA 的情况下增加轻量级安全层，使机器人能够在工业现场处理空间约束和动态避障。

这些工作指向同一个问题：机器人如何从「看懂」进一步走向「做好」。

ROSS Harness解决的是：机器人如何让这些动作在真实工业现场被正确组织、可靠执行，并持续形成闭环。

模型给出动作，并不意味着机器人就应该直接执行，工业环境需要在模型和硬件之间增加一整套确定性的组织机制，正是灵犀智涌 ROSS Harness。ROSS Harness 将不同具身模型统一到模型抽象层之上，再通过 Skill 把导航、抓取、力控等底层工具与现场工程经验封装为可复用能力，由 Agentic AI 完成任务拆解、技能编排和异常恢复，并通过分层安全监控保证机器人在不同时间尺度下可靠执行。更重要的是，每一次真实执行中的环境变化、失败案例、人工接管和恢复过程，都会进一步沉淀为 Skill、任务编排、长期记忆和训练数据，让系统在持续执行中不断积累工业 Know-how，并形成面向真实场景的数据飞轮。

围绕上述任务编排、安全约束、多机协同和实时执行，团队同样形成了多项论文成果：CLMASP 让大模型负责语义理解与粗粒度规划，再用形式化逻辑对任务步骤、环境状态和机器人约束进行校验与补全，把开放式推理转化为确定、可执行的任务；Safe-BeAl 在大模型规划与真实执行之间加入安全评估与对齐，把物理世界的安全知识转化为模型必须遵守的边界，避免「任务逻辑正确、实际执行危险」；DynaHMRC 把不同机器人的能力抽象为可调度的 Agent，动态完成任务拆解、角色分工与多机重组；STDArm 则在模型输出与硬件执行之间加入动作管理、运动补偿和时延校准，把模型动作转化为能在真实动态环境中稳定执行的控制指令。

这意味着：模型可以换，Harness 不必推倒重来。

模型越强，Harness 能调用的能力边界越大；而 Harness 积累的真实工业经验，又可以反过来帮助模型更好地理解工业任务。这才是真正的「协同演进」。

全国第三背后，是从「能做」到「做得又快又好」

评价机器人是否真正具备工业价值，也不应该只看「成功率」。因为工业生产还有一个同样重要的变量：速度。

灵犀智涌因此提出了一个更接近工业生产的评价思路：有效产出 = 成功率 × 吞吐率。

在相关测试中，ROSS Harness 对应的量化结果是有效产出提升 3.6 倍——这正是 Harness 对模型能力进行系统化放大的量化表达。

这个指标背后的意义在于：机器人不是「做出来一次」就够了，它需要稳定地做、持续地做、在规定时间内做。这也是工业具身智能与传统机器人 Demo 之间最本质的差别。

从「本体-大脑竞争」到「系统能力竞争」

过去几年，具身智能行业的竞争主要集中在两个方向：一端是模型，谁拥有更多更好的数据、更强的模型、更高的 Benchmark 分数；另一端是本体，谁的机器人更灵活、更稳定、更便宜、更容易量产。但当行业真正进入工业现场后，中间出现了一层越来越难以忽视的能力：模型如何进入机器人，机器人如何进入任务，任务如何进入产线。这正是 Harness 的位置。

灵犀智涌并不认为传统自动化会被具身智能整体替代。对于大批量、单一品种、长期不变的生产任务，传统自动化在效率和稳定性上依然有优势；具身智能真正适合切入的，是多品种、小批量、变化频繁的柔性制造场景。一个真实例证是某汽车零部件厂商：因为订单品种变化快，它反而把部分自动化产线拆回了「单工位 + 人 + 缓冲区」的模式——这类工位相对独立、有容错缓冲、核心动作是毫米级抓放的场景，恰好适合当前阶段的具身智能切入。

这也决定了灵犀智涌选择工业场景时，并不是优先寻找“最复杂、最炫技”的任务，而是寻找那些变化足够多、但又能够被系统化承接的柔性工位。机加工上下料正是其中的典型：不同订单会带来零件、料框、机床和工艺流程的持续变化，但任务的基本结构相对稳定，工位之间又具有较强独立性。对这样的场景而言，真正的挑战不是让机器人完成某一次抓取，而是当对象、流程、模型甚至机器人本体发生变化时，能否通过模型适配、Skill复用、任务重编排和异常恢复，快速完成新的部署，而不是重新做一套自动化工程。这恰好提供了一个验证 ROSS Harness 能否把“单点能力”转化为“可复制系统能力”的工业入口。

从这个角度看，ROSS Harness 真正想解决的是：当工位变化、物料变化、模型变化甚至硬件变化时，机器人还能不能继续工作？如果答案是肯定的，工业具身智能才真正拥有了规模化的可能。

为什么是段逸凡和灵犀智涌

这条路线最终落到灵犀智涌，并不是偶然。具身Harness 作为复杂的系统性工程，它要求团队同时理解模型、机器人、控制、安全、任务规划以及真实工业现场。

而灵犀智涌联合创始人、CTO段逸凡博士，正是站在这些领域交叉点上的人。段逸凡作为中国科学技术大学机器人方向博士，读博期间聚焦具身智能、空间智能等方向，相关成果发表于 RSS、IJRR、TRO、ICRA、IROS 等机器人领域会议和期刊，CONWAY模型和ROSS Harness 正是其学术研究向工程系统转化的核心产物。段逸凡博士师从中科大机器人权威专家吉建民教授，此次创立灵犀智涌，吉建民教授以联合创始人、首席科学家的身份加入，负责前沿技术指导、长期技术路线和底层方法论；段逸凡则带领工程团队推进 ROSS Harness 的架构设计、工程实现与产品定义。

更重要的是，灵犀智涌的壁垒不是某一项单点技术，而是双层复合：一层是技术壁垒——团队自 2018 年以来长期机器人技术，已形成覆盖感知、决策、规划、控制及工程部署的全栈机器人研发能力，CONWAY模型和ROSS Harness的每一个细节设计都有顶级论文成果和实际验证，同时 Harness 作为系统工程，背后是多年工程积累和对基座模型的深度理解；另一层是场景数据壁垒——在真实工厂跑数月积累的高价值、多模态、覆盖长尾异常与恢复过程的真实交互数据。

这形成了一种特别的组合：一端是机器人与具身智能的长期学术积累，另一端是把算法真正落地为真实场景的工程能力。

而这恰恰对应了工业具身智能目前最难的一步——不是再做一个 Demo，而是把 Demo 背后的能力抽象出来，形成可复用、可迁移、可验证、可持续进化的系统。

赛场是试金石，工厂才是考场

160 分，全国第三名是灵犀智涌在世界人形机器人运动会上初次亮相即收获的战绩；面对真正的工业现场，还有更长的运行时间、更多的物料变化、更复杂的异常状况，以及更严格的成本和交付要求。

这正是灵犀智涌选择「模型 + Harness」路线的原因。CONWAY 继续提升模型的物理智能，ROSS 把这些智能变成稳定执行能力，真实任务产生的数据再反过来推动 Skill、策略、记忆和模型共同进化。一条完整的闭环由此形成。

这和唯模型论，是两种不同的 Scaling 逻辑：前者关注「模型还能变得多强」，后者关注「每部署一台机器人，整个系统能不能因此变得更强」。而这也暗含团队一个反复强调的判断——基座模型越强，Harness 能释放的威力越大，因为无论基座多强，它在物理世界执行中永远需要安全兜底、经验管理、工作流编排和数据回流，这些不是基座模型能替代的。

赛场是技术的试金石，工厂才是最终的考场。对工业具身智能而言，下一步要证明的已经不是机器人「能不能做」，而是是否真正可交付、可验收、可持续迭代。而这，也正是灵犀智涌希望用 CONWAY 与 ROSS Harness回答的问题。