X Square Robot开源三项技术，补齐具身AI的"大脑"缺口

先说一个核心判断：当前全球机器人行业正在上演一场有趣的“错位竞赛”。当不少海外明星公司忙着让人形机器人在舞台上后空翻、跑障碍赛的时候，一家中国公司选择了另一条路——他们想让机器人在真实的、混乱的、不可预测的生活和工作场景中“自己动起来”。这两者之间的差距，某种意义上是表演与实用之间的分水岭。

这家公司叫X Square Robot。创始人兼CEO王倩有过一句很直白的总结：机器人的硬件基础已经基本到位。无论是人形机器人的运动能力、灵巧手，还是力控系统，这几年都是在飞速迭代。那真正的硬骨头在哪？答案是“大脑”。

“硬件基本已经就绪，”王倩说，“真正的瓶颈在于‘大脑’。”正是奔着这个痛点，X Square Robot在过去几周内，一口气开源了三项技术。

这三项技术分别是：一个名为Wall-OSS-0.5的视觉-语言-动作（VLA）模型；一个用于理解物理事件的世界动作模型，叫WALL-WM；以及一个名为XRZero-G0的数据采集框架，核心卖点是——不需要真实机器人也能完成数据采集和训练。这三个工具合在一起，直击目前具身智能领域最关键的几个命门。

先聊Wall-OSS-0.5。

VLA模型现在已经是具身AI的主流技术路径，但业界一直有一个根本性的争论没有解决：预训练本身，到底能不能让机器人直接学会有用的技能？还是说，预训练只能算是个“地基”，后续还得靠大量的任务微调才能真正落地？

Wall-OSS-0.5的设计目标，就是为了回答这个问题。X Square Robot没有拿微调后的模型去刷榜，而是直接把预训练模型装到实体机器人上，用它去做真实任务——整整17项。结果是，这套系统在物体分拣、套环堆叠，甚至是柔性物体操控这类要求极高灵敏度的任务中，都展现出了优异的“零样本”性能。换句话说，模型在没有见过具体任务数据的情况下，就能直接上手干。

这背后的技术核心是一套叫“梯度桥接”的训练框架。传统做法里，感知、语言理解、控制通常是拆开的模块，各自为政。但Wall-OSS-0.5的做法是把机器人的动作转化为一种“动作Token”，在预训练阶段就和语言、视觉特征一块儿学。这样一来，感知、语言理解和动作生成就在同一个模型内协同进化。更有意思的是，研究发现，动作训练不光提升了操控能力，还反过来增强了视觉定位的效果。这意味着，身体和世界互动本身，成为模型理解世界的一种方式——这一点，才是真正意义上的“通用技能”。

不过，X Square Robot显然并不满足于此。他们意识到，单纯的模仿学习，天花板很明显。

大多数VLA系统其实只是在学习动作轨迹。它们可以重复训练时见过的行为，但一旦面对从未见过的场景，就很容易“宕机”。因为它们并不真正理解物理世界里的因果关系。

为了补上这块短板，他们推出了WALL-WM这个世界动作模型。这个模型的学习重心不再是固定的动作序列，而是有意义的物理事件——比如伸手、抓取、抬起、放置这样的单元。相较于传统架构把感知、语言、控制分模块处理，WALL-WM的做法是把视觉观测、语言描述和动作统统围绕真实世界事件做统一对齐。它的目标，是让机器人不仅能按部就班地执行动作，还能预测动作的结果、推理物理变化，甚至在计划走偏的时候灵活调整。一句话总结：它想给机器人装上“常识”。

如果说世界模型是机器人的“大脑”，那数据就是驱动大脑运转的“燃料”。可现实是，采高质量的真实机器人演示数据，成本太高、耗时太久，而且很难规模化。这几乎是所有具身AI团队的共同痛点。

X Square Robot给的答案是XRZero-G0。这套框架颇有意思——不需要真实机器人，就能完成数据采集和训练。它整合了可穿戴交互界面、多视角感知、自动质量检测和真实机器人验证等一整套模块，目的就是在大幅降低采集成本的同时，还能保证数据质量。

一组对照实验的结果很有说服力：把10条无机器人的演示数据和1条真实的机器人演示数据混合使用，最终效果竟然能媲美一个完全靠真实机器人数据构建的数据集。这个结论对于一个还在为数据发愁的行业来说，意义不言自明。此外，他们还干脆直接公开发布了超过2000小时的多模态数据，涵盖约3000项任务——这本身就是一个分量不轻的行业贡献。

把这三项技术放在一起看，画像就清晰了。Wall-OSS-0.5在验证预训练是否能产生可迁移的机器人技能；WALL-WM在解决机器人应该如何对物理世界建模和推理；XRZero-G0则在真正破解支撑前两者的数据瓶颈。三环相扣，构成了一套覆盖数据、世界模型与机器人基础模型的全栈技术框架。

在CEO王倩看来，这个行业的关键转折点或许比大多数人预期的来得更早。而摆在眼前的挑战，早已不是教会机器人怎么移动，而是教会它们如何理解所处的世界。

“具身智能的‘顿悟时刻’，”她说，“可能比人们想象的近得多。”

---

Q&A

Q1：Wall-OSS-0.5是什么模型？它的核心技术是什么？

Wall-OSS-0.5是X Square Robot开源的视觉-语言-动作（VLA）模型。其核心技术是一套“梯度桥接”训练框架，核心思路是将机器人的动作转化为“动作Token”，在预训练阶段与语言和视觉表征共同学习，使感知、语言理解和动作生成在同一模型内协同完成。该模型在预训练完成后直接部署到实体机器人上，在17项真实任务中展现出优异的零样本性能，涵盖物体分拣、套环堆叠和柔性物体操控等场景。

Q2：WALL-WM世界动作模型与传统VLA系统有什么区别？

传统VLA系统主要学习固定动作轨迹，本质上更接近“死记硬背”，缺乏对物理因果关系的理解，遇到陌生场景容易失效。WALL-WM则将学习重心转向真实物理事件——例如伸手、抓取、抬起、放置——并将视觉观测、语言描述和动作围绕这些事件进行统一对齐。这使得机器人不仅能执行动作，还能预测结果、推理物理变化，并在计划失败时灵活调整，而不仅仅是重复训练时的固定行为。

Q3：XRZero-G0如何降低具身AI的数据采集成本？

XRZero-G0是一套无需真实机器人即可完成数据采集和训练的软硬件一体化框架。它整合了可穿戴交互界面、多视角感知、自动质量检测和真实机器人验证等模块。实验表明，将10条无机器人演示数据与1条真实机器人演示数据结合，效果可媲美纯真实机器人数据集。此外，该公司还公开了超过2000小时、涵盖约3000项任务的多模态数据，进一步降低行业数据获取门槛。