7月15日 - 绳驱AI机器人公司星尘智能发布自研第二代具身基座模型Lumo-2——业界首个家庭隐式世界-动作模型（Latent World-Action Model），以及物理AI共生智能体Agent Philia，推动其“AI模型—具身OS—绳驱本体”三位一体全栈架构升级。

公司还将于7月17日至20日在上海世界人工智能大会（WAIC）上，发布“三位一体”多场景落地方案，进一步推动Physical AI规模化应用。

Lumo-2在官网一次性公开了机器人自主完成的22个复杂家庭任务，在当前公开披露的模型真机能力展示中，在任务范围和数量、精细复杂程度均处于业内领先，直观呈现模型能力与“任何任务，任何家庭，一种直觉”的模型理念，任务包括：

• 协同合作：人机或双机器人协同组装礼盒
• 物理理解：煎熟鸡蛋并颠锅翻面、称500g小米、洗干净咖啡粉碗
• 时序推理：接住高处滚落的球、杯子放到旋转的杯架上、拿起滚动的鸡蛋
• 长程任务：磨粉做咖啡、花式调酒、煎熟鸡蛋并撒上胡椒
• 高精细灵巧操作：给礼盒打蝴蝶结、书包里放入玩具并拉上拉链、熨好衣服并挂到衣架上、行李装箱并拉上拉链、拆开茶包泡茶、叠衣服

模型页面&所有任务视频：www.astribot.com/research/Lumo2

技术报告：https://arxiv.org/abs/2607.11270

01.

具身最前沿：从“预测动作”走向“预测世界”

过去的大模型解决了机器人“会不会做”的问题，但随着机器人真正进入开放世界，行业开始面临四个新的共性挑战：机器人只能预测下一步动作，却无法解释为什么做这个动作，以及动作将如何改变世界；复杂技能学习高度依赖机器人示范数据，训练成本高昂；难以充分利用互联网视频、人类操作等海量非机器人数据的持续增长；与此同时，模型规模不断增大，进一步推高了部署成本和端侧算力要求。这些问题正成为机器人规模化落地的重要瓶颈。

围绕上述挑战，Lumo-2提出全新的机器人学习新范式，在一个轻量级、基于物理的潜在动态空间（Latent Space）中“先预测未来世界，再生成动作”，还用三阶段对齐课程学习解决了VLA/WAM方法的根本局限：让模型学习目标与真实控制目标保持一致，从源头解决机器人模型“训练效果好、实际执行差”的关键瓶颈。

Lumo-2并非对上一代模型简单迭代，而是“具身原生”——坚持基础模型“以运动为中心”设计，从物理执行这一最终目标反向塑造模型架构，而不局限在对已有视频生成模型或 VLM的简单适配，在预测推理、表征对齐、可扩展学习三大核心维度做根本性迭代升级：

其一，摒弃显式结构化文本规划，采用基于隐空间世界动力学的隐式预测推理，以最小计算成本实现类世界模型的效果。其二，将单阶段联合训练迭代为面向跨模态表征的三阶段渐进预对齐范式，区别与VLA和WAM模型，解决动作重建指标与真实操控效果脱节的痛点。其三，模型可扩展性得到大幅增强，不再局限于机器人专属演示数据，原生兼容各类多源数据，同时拥有更优缩放特性与更强分布外泛化上限。

02.

四项能力全面验证，多项核心基准排名第一

上述架构改进同步提升了模型推理效率与综合性能。让 Lumo-2 在时序推理、物理理解、高精度、长时序、灵巧操作等各类复杂真实场景任务上取得稳定性能增益，更贴合工程落地与二次开发的实际需求。

• 具身 VLM 基准测试：具身理解、空间定位两类具身评测集上，相比 Qwen-3.5 4B 基座，Lumo-2 VLM 在几乎所有任务上均取得了一致且显著提升。与其他先进的 4B 规模具身模型相比，表现极具竞争力，多个核心基准测试中排名第一。
• 泛化抓取-放置：在三种设置（基础、未见指令和未见物体）下评估泛化能力，在所有设置中持续优于 π₀.₅ 和 Fast-WAM 基线模型，尤其在未见指令未见物体上增益显著，验证了其强大的推理与泛化能力。

• 真实世界复杂操作：将真实场景任务分为时序推理、物理理解、操控复杂度（长流程、高精度）测试，所有任务中综合表现最优，具备完备通用具身智能能力。

• 人机迁移：针对两类视角配置与标注完整度各不相同的人类数据源，评估了涌现式跨域迁移效果，Lumo-2 无需引入任何专用迁移学习机制，即可有效利用这两种数据格式，在包含未见物体的机器人任务场景下提升策略性能，验证了其对齐隐空间的跨域迁移有效性

在拉丁语中，Lumo意为光亮和启发，希望它能成为一束照进具身智能的光。未来，团队将继续推进Scaling上限，进一步扩大训练数据规模与多样性，提升模型容量并融合更多模态，探索更高效的数据工程与训练范式，持续释放互联网规模异构数据对机器人智能的价值。同时，团队将攻关真实世界交互学习，推动机器人在开放环境中实现持续学习、自主适应与自我进化，不断提升长期部署能力。

03.

机器人不仅需要“大脑”，还需操作系统

除基础模型外，星尘智能此次还发布了物理AI共生智能体Agent Philia，这是星尘智能“具身OS”重要组成部分，该操作系统即将发布升级版本。

Phila项目页面&所有任务视频：www.astribot.com/research/Philia

技术报告：https://arxiv.org/abs/2607.11377

Philia在希腊哲学被亚里士多德定义为“共生的友谊”，寓意机器人与人类在长期共处过程中建立持续协作、共同生长的关系。

Agent Philia除了能在飞书里一句话调度Lumo-2“干活儿”，还能持续管理长期记忆、理解用户偏好、协调多机器人协同工作。

普通用户可通过飞书、微信等日常应用，文字或语音向机器人下达任务，无需学习新的控制方式；机器人还能结合历史上下文持续理解用户需求，并主动反馈执行状态。对企业客户，Philia进一步支持多机器人协同管理，将不同机器人统一纳入同一智能体进行任务调度。对开发者，其Agent能力与机器人本体能力相互解耦，可持续升级模型、扩展机器人平台及交互方式，无需重新开发整个系统。

图注：Philia技术架构
 

04.

Physical AI竞争 进入“三位一体”时代

星尘智能表示，随着Physical AI进入产业化阶段，未来机器人竞争将不再局限于模型参数或硬件性能，而是AI模型、具身OS和机器人硬件本体三者协同进化的系统能力竞争。AI模型负责理解世界与学习技能，具身OS负责长期服务用户、管理记忆及协调智能体，本体则负责安全、高效地与真实物理世界交互。

“AI-OS-本体”三位一体，缺一不可。只有同时具备持续学习、陪伴和行动能力，机器人才能真正成为开放世界中的Personal Robot。

关于星尘智能

星尘智能（Astribot）成立于 2022 年，是一家以 AI 为核心的具身智能引领企业，也是全球首家实现绳驱人形 AI 机器人量产的企业。在 AI 方面，公司自研 Lumo 基座模型与 DuoCore 商业化部署框架，通过快慢系统协同，兼顾复杂任务理解与实时动作控制；在本体方面，其模仿人类肌腱运动机制的绳驱本体，使机器人兼具高灵巧操作能力、高拟人表现力与更高的人机交互安全性。基于「Design for AI」核心理念，公司构建了「AI 模型—具身 OS—绳驱本体」三位一体的全栈自研体系，并已在科研、商业服务、文娱演出和工业等多个领域实现规模化落地。

- 以下为技术解读 -

05.

Lumo 2 技术解读版

模型页面&所有任务视频：www.astribot.com/research/Lumo2

技术报告：https://arxiv.org/abs/2607.11270

Lumo-2并非对上一代模型Lumo-1简单迭代，而是主打“具身原生”——坚持基础模型应该“以运动为中心”设计，从物理执行这一最终目标反向塑造模型架构，而不是局限在于对已有视频生成模型或 VLM 简单适配。Lumo-2聚焦了预测推理、表征对齐、可扩展学习三大核心原则。

首先是预测推理，Lumo-2将隐空间世界动力学（Latent World Dynamics）引入机器人决策过程，在一个轻量级、基于物理的潜在动态空间（Latent Space）中“先预测未来世界，再生成动作”。这超越了Lumo-1显式文本推理（Explicit Reasoning）要“一步步说出推理过程”的慢速，也超越了世界动作模型“生成未来视频”的沉重计算开销，以最小计算成本实现类世界模型的效果。

第二是表征对齐，这是区别于传统 VLA模型、WAM（世界动作模型）的核心突破，通过重新构建视觉、语言与动作之间的统一表示空间，可以解决动作重建指标与真实操控效果脱节的痛点。Lumo-2按照难度递增的三阶段跨模型训练流程，先将动作与世界动态对齐、再将动作与视觉和语言对齐，再在 VLM、视频和机器人的多源头、多任务数据上联合训练，保证动作符合真实物理规律。

第三是可扩展学习，依靠对齐后的统一隐空间与预测推理架构，Lumo-2 在推理效率、训练可扩展性和跨域迁移能力方面带来了系统性改进：

• 实时推理性能：分块自回归解码策略利用动作维度间的弱耦合性实现并行生成，较标准自回归生成实现2.71倍的端到端加速，且无精度损失，可实现闭环实时控制。
• 鲁棒长序列执行：轻量化时序上下文机制通过历史动作记忆补充序列信息，消除多阶段连续任务中的感知混叠，显著提升长序列操作的连续性与成功率。
• 多数据源兼容：原生支持异构数据源联合训练，包括通用多模态语料、以自我为中心的人类视频和多机器人演示数据，随着数据规模增长提供可预测的性能扩展。
• 跨域迁移：无需专门的迁移学习算法，即可实现跨具身和人机技能迁移，大幅降低新场景与机器人平台的适配成本。

最重要的是，Lumo-2让具身智能走向“全量数据利用”关键闭环，由于实现了不同机器人平台、人类演示、不同动作轨迹中语义等价行为的统一表示，机器人学到的不再是某一台机器人的动作，而是学会“同一种能力”，可“原生”自然迁移到不同机器人、不同形态甚至人机之间的通用技能，具备跨平台泛化和人机迁移的天生优势。

模型如何训练？

模仿人类：模型训练如同人类观察世界一样，会给予机器人大量信息，包括教其他机器人做事时录制的数据以及来自互联网的人类行为视频。通过模仿人类，让机器人了解如何做事、事物变化以及行为后果。

自主预测：新一代模型能主动预测完成目标所需的下一个状态，包括样子和动态变化。每做一个行为都有理由，知道下一步该做什么，以及预期结果，从而在脑海中多次演练后，在真实环境中更可控地操作。

自我进化：机器人在与环境交互过程中，可能会出现操作失误，如弄洒咖啡机、打碎玻璃杯等，但这些失败会成为后续训练数据，促使其不断自我迭代和进化。随着经验积累，机器人会逐渐形成本能和直觉，更快速地感知世界并做出反应。

06.

Philia技术解读版本

项目页面：https://www.astribot.com/research/Philia

核心设计理念

• 组合式智能：Philia 采用全模块化的解耦架构，所有子系统相互独立。任意组件的升级均可直接提升系统整体能力，包括交互界面、推理模型、记忆系统、导航算法、操作策略，以及新增机器人实体支持；增量升级无需对系统进行端到端重构。
• 记忆驱动辅助：Philia 能够维护持久化的语义记忆，涵盖用户偏好、历史交互记录、任务执行历史与语义位置信息四类内容。记忆仅用于辅助任务规划，而非直接控制机器人执行，在网关层保障执行安全的前提下，实现机器人行为的个性化适配。
• 单智能体，多机器人控制：多台机器人可同时作为同一智能助手的不同物理实体运行。Philia 负责机器人选型、语义空间共享、能力匹配与多机器人任务调度。每台机器人保留独立的地图、定位系统和运行时环境，同时共享统一的语义空间，实现异构机器人的高效统一控制。
• 原生安全设计：所有物理动作均需经过明确的执行网关校验，包括权限认证、用户确认、机器人状态检查、任务调度，以及面向执行体的停止与取消机制。该设计在保留自然语言交互灵活性的同时，确保物理执行过程的安全可靠性与可审计性。