“10分钟理清真实客厅乱局，贝塔无限的WAM很能干。

今天的具身智能，单点操作能力越来越惊艳，连续任务执行却频频翻车。会抓、会放、会拧，不代表能独立完成一件完整的事。

放眼全球具身智能赛道，绝大部分令人惊艳的demo，本质上都是固定台面操作或单一任务移动操作。

美国具身智能明星公司Generalist AI于2026年4月发布的GEN-1模型，将折叠纸箱、包装手机、维修扫地机器人等精细操作任务的成功率从64%提升至99%，完成箱体组装仅需12.1秒。但翻开其演示视频，任务几乎全部在固定台面上完成。Gen-1可以在一小时内学会新任务、重复1800次保持99%成功率，但它的世界，始终没有离开那张桌子。

另一家明星公司Dyna Robotics于2026年8月发布的DYNA-2，以超过100万小时人类第一人称视频预训练，将客户现场零样本通过率从46%提升至87%。但展示的核心任务仍是“拧开瓶盖”“转动钥匙”这类桌面级单一操作。虽然DYNA-2被定位为“世界-动作模型（WAM）”，但其demo所呈现的任务尺度，仍停留在单点动作层面。

换句话说，无论是走VLA路线还是世界模型路线的行业头部玩家，现阶段展现的“操作智能”，大多停留在“动作智能”层面，离完整的“任务智能”还有巨大的鸿沟。

而真正决定消费级机器人能否走进家庭的，是另一个维度的能力，即在开放、动态、持续变化的环境中，自主完成长程、多目标的移动操作任务。

这也是贝塔无限选择的技术锚点，旨在让业界看到“非标长程操作任务”的具象化演示。

这家2026年3月才正式运营的公司，敢于直面消费级具身智能领域难题，并在短短几个月内连续完成数亿元融资，究竟凭什么？答案就藏在其最新发布的世界动作模型BetaWAM0.1真机操作demo中。

在这个demo中，贝塔无限要展示的是一个统一模型如何全自主完成长程复杂的移动+操作任务，从搜索、抓取到归位，从遮挡推理到失败恢复，全程无需人工干预。

而贯穿这一切的底层逻辑，是贝塔无限从一开始就锚定的核心定位：以人为中心，打造业界最懂人的具身智能大脑和产品。而这条路的起点，是把“记忆”和“对空间和物理理解能力”从伪命题变成真能力，并让它在操作中真正生效。

01.

长程操作首秀，一个demo全自主搞定

BetaWAM 0.1的demo场景设定在一个动态居家环境中，机器人需要连续完成多个目标的搜索、抓取与归位，期间面临人为遮挡、物体被临时移走、新物品突然加入等即时干扰。

行业内现有的演示，要么是固定台操作，要么任务过于标准化，要么只覆盖短短几十秒的单一动作。而BetaWAM 0.1运行的是“移动+操作”的长程闭环，任务全程没有人工干预，机器人需要在不同位置完成多次抓取与归置，全程保持同一套模型自主决策，应对随时出现的意外。

这种“跨空间连续操作”的能力，恰恰是当前VLA和世界模型路线最薄弱的环节，也是贝塔无限试图定义的“任务智能”。VLA擅长桌面操作但缺乏空间连续性，世界模型擅长预测但难以实时响应物理干扰。BetaWAM 0.1要做的是把两者“缝起来”，让机器人在移动中保持操作精度，在操作中保持空间意识。

Demo的第一个突破，是抓取的泛化能力。

在demo中，机器人面对形态各异的家庭物品，能够基于记忆中对物体材质、重心和表面特性的判断，实时调整抓取策略。例如，面对不规则玩具，系统能快速找到稳定的夹持点；面对柔性绘本，系统调用记忆中的接触力细节，轻夹不卷；面对光滑垃圾，系统增大接触面积，确保稳定。

这种泛化性，本质上是状态管理在控制层的一次胜利，它让每一次抓取都是“有根据”的。

第二个突破，是空间理解与短期记忆的结合。

demo中有一个令人印象深刻的场景，最能体现“任务智能”的瞬间。任务执行过程中，工作人员临时用一本书遮住了地上的乐高块。从当前视觉画面上，机器人看不到乐高。对一般模型而言，目标从视野中消失，意味着任务中断。但BetaWAM 0.1的行为截然不同，没有愣住，也没有绕过这个目标。它根据记忆中乐高块被遮挡前的位置，结合书本出现后的状态变化，推演出乐高就在书本下方，然后自主伸出手臂，先移开书本，再捡起乐高块，完成收纳。

这是模型在物理空间中建立起了“物体可以被遮挡、但并未消失”的推理能力，并且能够基于记忆与当前观察的对比，做出“推演—验证—行动”的决策链。这种能力，正是长期记忆与空间关系推理融合的典型体现。

第三个突破，是对环境变化的快速适应。

任务执行过程中，工作人员会故意制造干扰，比如把某个物品从原位移走，或者突然在机器人面前放入一本新书、一团垃圾。BetaWAM 0.1没有被这些意外打乱节奏，它会在线调整，重新扫描区域，更新任务状态，甚至主动移动到底盘或机械臂更适合的位置，重新规划抓取顺序。

这种适应能力，在固定台操作中并不罕见——因为干扰范围有限，重新感知即可。但在移动操作中，干扰可能发生在任何位置、任何时刻，系统必须在"正在移动"的状态下完成重新规划。BetaWAM 0.1展现出的，正是这种"移动中应变"的能力。

第四个突破，是失败恢复能力。

demo中有一个细节，有一个乐高块在抓取过程中掉落，滚到一边。BetaWAM 0.1没有中止任务，也没有从头再来，而是感知到“这个目标尚未完成”，随即调整自己的位置和机械臂方向，重新拾取掉落物，并继续执行主任务。这种“自主纠错”的鲁棒性，源于系统对任务状态的持续维护，是在真实物理世界中稳定服务的关键。

第五个突破，是双手协作能力。

家庭任务中大量操作需要双手协同。demo中，机器人展示的左右手协作尤为关键，比如一只手打开抽屉，另一只手同时伸入取出物品；或是一只手固定容器，另一只手将散落物件逐一归位。

这种双机械臂协同的难点，在于双手之间“任务状态”的实时同步。BetaWAM0.1的共享记忆平面让左右手共享同一份“当前状态”——左手知道右手已经打开了哪个抽屉、放到什么位置、容器是否已满。正是这份共享的“判断”，让双手不会互相干扰，动作序列严丝合缝，仿佛一个完整的“身体”在工作，而非两个独立机械臂的简单叠加。

整场demo看下来，一个最直接的感受是，机器人不是在演示一组动作，而是在完成一件事。它知道哪些物品已经收好、哪些还没处理、收纳筐在哪里、下一步该往哪走。这份“任务级”的连贯性，才是BetaWAM 0.1最核心的突破，也是“任务智能”区别于“动作智能”的分水岭。

02.

“记忆—动作—验证”的闭环

看到这里，你可能已经意识到，demo中那些“不像机器人”的表现，背后是一套完全不同的系统设计。

当前行业的主流路线本质上都在解决“单点任务的最优执行”，VLA模型回答“当前画面下该怎么动”，世界模型回答“下一步世界会变成什么样”，但两者都缺少一个关键环节：任务状态在空间移动中如何持续维护？

BetaWAM0.1的领先之处，在于一个根本性的观念转变，它为具身记忆加上了“判断和理解”，且是一份由连续观察、动作和反馈形成的、可被新证据推翻的、关于世界的动态判断。

这一本质刻意分开了两样东西：历史证据和当前状态。历史证据确实发生过，例如某一刻的图像、一条抓取指令、一次传感器读数、一句用户反馈，这些证据必须可追溯，不能被后续推理悄悄改写。当前状态则是系统的判断，比如“杯子大概率进了左侧柜子，但柜门挡着，还得确认”，状态允许被推断，也必须随新证据更新。

分开之后，环境的上下文就从一条流水账变成了一个环：证据支撑状态，状态约束行动，行动带来新观察，新观察再回头验证或修正状态。

那么这份判断如何形成？又如何为操作服务？记忆按三个维度进行组织。

载体维度上，token记忆承载可读、可追溯的状态与任务记录；latent记忆不转成文字，直接以向量形式保留视觉、空间、接触与力的细节；参数化记忆把反复验证过的稳定经验沉淀进策略或模型。

功能层维度上，实时记忆维持动作连续性；实体记忆追踪对象和位置；情景记忆串联事件和证据链；经验与技能记忆提炼可跨任务复用的方法。四者是流动的：实时观察更新实体状态，一串状态变化构成情景，多个情景沉淀为经验。

回路维度上，在线回路低延迟读写、更新、验证，负责“这一次做对”；离线巩固回路做重放、聚合、抽象和归因，负责“下一次做得更好”。

更重要的是，这套记忆架构不是孤立运转的，它与VLA（视觉-语言-动作模型）和World Model（世界模型）深度耦合。VLA不再只看当前几帧画面，而是接入短时动作状态和长期物理经验，减少“目标被挡就抓空”和“同一个物体反复试错”。世界模型利用记忆中的完整状态和历史预测误差，预判动作后果，再由验证器判断“抽屉到底关好没有”。

正是这种“记忆—动作—验证”的闭环，支撑了demo中长程任务的不间断执行。

而这恰恰也是“以人为中心”的技术表达。因为真正懂人的机器人，不是被动执行命令，而是能像人一样对世界保持警觉，知道什么时候该确认、什么时候该问、什么时候该调整。

记忆，让机器人具备了对人负责任的能力，也让机器人的每一次操作都有了“上下文”。

03.

贝塔无限从“动作智能”到“任务智能”的升维之路

贝塔无限的BetaWAM路线是对消费级具身智能本质的深刻理解。实验室demo只需要在受控环境下成功一次，家庭服务则需要在开放环境下连续成功一千次。两者之间的差距，不是算力，不是灵巧手自由度，而是对世界状态的持续追踪、对任务进度的可靠维护、对异常情况的优雅恢复。

一言以蔽之，是从“动作智能”到“任务智能”的升维。

在贝塔无限的设计哲学里，“懂人”的技术表达贯穿记忆架构每个维度的设计原则。机器人记住的不仅是物理世界的状态，更是与它共同生活的那个人的一切。当机器人带着这些“记忆”去完成每一次抓取、每一次协作、每一次升降，它就不再是执行指令的工具，而是一个真正“以人为中心”的智能体。

而这次，贝塔无限用真实场景下的工程机实操演示证明：他们不仅具备记忆这一推动操作升维的核心引擎，又掌握了支撑长程复杂操作与强泛化的真实能力抓手，这正是贝塔无限通往“最懂人的具身智能”的核心密码。

据悉，贝塔无限目前正全力研发首款本体产品，将搭载其自研的技术架构，先锋体验版计划年内亮相。

04.

结语

BetaWAM 0.1的真机操作demo，是架构从理论走向实用化的关键一步。它宣告具身智能的竞争，正从比拼单点操作的“动作智能”，转向比拼连续执行的“任务智能”。

就在即将举行的2026世界机器人大会（WRC 2026）上，贝塔无限联合创始人兼CTO陶帅将在AI大模型赋能机器人与具身智能产业新范式交流活动中登台，发表题为《以人为中心：面向人机共融场景的具身技术新范式》的演讲。

这场演讲，可以看作是对这个demo背后技术理念的一次系统性阐述。当行业仍在追逐单点操作的极限时，贝塔无限已经把叙事拉回到了“人”的维度。

当机器人拥有出色的空间和物理理解能力，同时有记忆属性，当它能记住物体的位置、能推演遮挡背后的存在、能在失败中自主恢复，它才真正具备了在家庭中长时服务的能力。贝塔无限在这条路上扎下的“以人为中心”的根，正生长出一种不疾不徐、但步步逼近终局的独特底气。