刚刚，逐际动力放出一段Demo，Figure：睡不着啊

昨天刚拿了2亿美元Pre-IPO轮融资，逐际动力没急着开庆功宴，而是直接甩出一段全尺寸人形机器人Oli干家务的视频。画面里，Oli从衣架上取衣服、把脏衣服精准扔进脏衣篓、收拾乱放的玩偶、搬箱子、深弯腰捡地上的东西，一连串动作下来，行云流水。

整条视频3分钟，一镜到底，没有后台遥控，没有分段剪辑。这可不是什么演示片，而是中国第一个能在真实家庭场景里，全自主、不中断地干完一整套家务活的全尺寸人形机器人。

Oli全程靠视觉和环境感知，站立、蹲下、弯腰，在非结构化的家庭环境里穿梭，完成各种任务。这不仅是长程移动操作能力的一次重大突破，放眼全球，能做到这种完整实况的，也屈指可数。

支撑Oli这么能干的，是逐际动力刚更新的“人形大脑系统”——LimX COSA 0.5。

说到复杂连续的家务实操，硅谷估值最高的那个人形机器人独角兽Figure，之前也放过不少类似的视频。厨房整理、房间整理、客厅整理，三段长程任务成了他们的招牌，也被行业公认为性能标杆。逐际动力这次拿出来的Demo，在任务连续性、自主决策深度、技能调用和全身运控上，已经和Figure站到了同一水准线。两家公司的硬件水平也接近，可以说代表了中西方人形机器人的最高水平。那到底谁更厉害？

真正的分野，不在Demo本身，而在支撑机器人运行的底层“大脑”路线。

过去几年，整个具身智能行业都在追模型参数、刷榜单，好像谁家模型更好，谁家机器人的大脑就最强。Figure的System 1/System 2双系统框架，不少海外和国内厂商主打的全能视觉动作基础模型，底层逻辑都是靠更强的单一大模型。行业几乎全员陷入“唯模型规模论”的内卷。

可一旦落地真实场景，这些机器人经常行动卡顿、适配性差。逐际动力很早就发现了这个问题，并且抛出了一个行业非共识的观点：模型不是大脑，系统才是。

在逐际动力的技术框架里，真正的机器人大脑应该像人类神经系统一样，由认知、技能、运控多模块协同配合，而不是靠单一基础模型。今年1月，LimX COSA的概念首次被提出，展示了高阶认知与全身运控的深度融合，让机器人“能想、能动、边思考边干活”。这次0.5版本的更新，逐际动力首次完整展示了COSA的三层技术架构。但这也仅仅是0.5版本。作为当前可与Figure掰手腕的中国玩家，逐际动力的底牌，还没亮完。

大脑不是模型，而是操作系统

要把机器人送进千家万户的复杂场景，到底需要一个什么样的“大脑”？

行业普遍的做法是，哪里不会点哪里。拼命把各种VLM或VLA端到端模型做大，试图用更庞大的参数量来暴力破解物理世界的复杂性。但这种唯模型论的暴力美学，可能有点走偏了。

在逐际动力创始人张巍看来，大部分人说要做一个模型，模型大了就是在做大脑，把大脑等同于模型，这件事本身就是个误导。模型只是一个一个的技能，系统才是大脑。

逐际动力的大脑不是单一模型，而是具身智能体系统：管理记忆、调度、决策，调用VLM/VLA等技能及全身运控。在这个框架里，一个单一技能（哪怕是最先进的VLA）都只是“技能”，不是“大脑”。只有将认知、技能、运控，连同记忆与调度，真正协同，并与硬件联合优化，才是“大脑系统”。逐际动力把这定义为Embodied Agentic OS，它要调用各种模型，包括VLM、LLM、VLA，才能完成一个任务。这也是LimX COSA与“做模型”路线的根本区别。

为了验证这一逻辑，COSA 0.5版本直接用一段没有任何剪辑水分、没有摆拍成分的硬核真机视频说话。

逐际动力在一台拥有31个本体自由度（不含末端灵巧手）的全尺寸人形机器人Oli上，完成了包括收纳整理、搬箱、深弯腰拾物等在内的全套长程多任务演示。它必须在未知环境中，自发读取视觉信息、理解当前的杂乱状态、自主规划长程任务步骤，然后调用技能和身体运控能力去完成连续操作。能干活，且干得像人一样，这是通用人形必备的能力，它是机器人，不是机器。

这种在真实长程家庭场景下的高鲁棒性表现，任务复杂度堪比Figure此前广受关注的厨房/房间/客厅整理场景。只不过，Figure底层的技术逻辑仍在端到端模型内部做切分，本质上依然没有跳出模型的范畴。纵观全球具身公司，在长程、不间断、不遥操作的真实家庭任务上，目前只有逐际动力与Figure做出了可信度高的完整演示。

欧洲领先的具身模型公司Flexion，公开的Demo里让Unitree G1取快递、搬运包裹，任务复杂度相对较低，全身运控的稳定性、准确性略显不足。另一家风头正劲的高估值独角兽Skild AI，展示了跨形态、跨任务的能力片段，广度上取胜，但并未展示长程全身移动操作演示能力。看来，“谁的模型更强”是一个层面，论“谁真正做出了大脑系统”，又是另一个维度的PK了。

三层架构，怎么构建最强大脑系统？

COSA的骨架由S2-S1-S0三层架构组成。这套系统按照人类神经系统的生物学逻辑，进行了彻底的分层解耦。三层各自运行在完全不同的时间尺度上，通过刻意收窄的接口协同工作。执行时，意图自上而下流动，机器人的姿态与环境状态则自下而上实时反馈，异步运行且互不阻塞。

先看S2认知层，负责理解、记忆和决策、人机交互。

它慢而审慎，运行在低频的1Hz尺度上，意味着每秒只做一次全局决策。这不是偷懒，而是因为认知层的任务天然不需要高频。你见过哪个运筹帷幄的将军，是听到风声就下令全军出击的？不得先把敌我态势在脑子里过够几遍，再决定这仗怎么打么。S2这层就是负责慢慢想。它读取头部与手腕相机的实时视觉输入，以及人类的语言指令，负责长程场景的宏观理解、构建世界模型、处理人机交互与逻辑推理，并决定机器人这一步“要想做什么”。随后，再把分解好的任务精准调度给下层。单独把S2拎出来，其实就是那个“坐在轮椅上的霍金”，极其聪明，却一动不能动。支持这一层的，不是某一个孤立的大模型，视觉语言模型、世界模型都在这里，形成一个带记忆与调度的操作系统。

接下来，是S1技能层（Skills）。

它运行在50Hz的中频尺度上，负责把能力沉淀成一个个可复用的技能。注意是“可复用”，而不是盲目堆砌的大杂烩。S2决定“要做什么”，S1回答的是“用什么技能做”。这一层不是单一模型，而是一组技能的集合。一个VLA（哪怕是最先进的）也只是其中一个技能，剥鸡蛋、开瓶盖、搬箱子，各自独立存在，按需调用。逐际动力的判断是：不同技能需要的数据不一样，训练方式也不一样。剥鸡蛋和开赛车的数据混在一起，反而会导致严重的参数干扰，最后什么都做不好。这和语言模型“大力出奇迹”的堆数据逻辑完全不同。具身技能走的是多元数据路线，每个技能有自己的data recipe，单独训练、单独优化。这种设计的另一个好处是渐进叠加，技能可以像搭积木一样，一个一个往上加。今天学会搬箱子，明天学会叠衣服，后天学会开抽屉，不需要推翻重来。S1层的技能库越丰富，机器人能做的事就越多，但大脑的架构本身不需要变。

之后，进入S0运控层。

它负责让整个身体始终保持平衡，且精准地执行动作实际动起来。这也是Demo里，Oli能够做到毫无迟滞、边走边弯腰边伸手这一极具人类感姿态的直接来源。S0的底层是逐际动力自研的LimX WBT全身运动基础模型。约千万参数的Transformer策略，完全跑在机上、控制频率1000Hz。它只暴露一个统一接口，把任意上游全身运动目标转化为平衡协调的关节指令，训练一次、与任何具体任务无关，可复用于VLA执行、遥操作采集、零样本回放三类任务。S0的职责非常纯粹：无论上层的S1、S2下达多么复杂的全身运动目标，它都能在1毫秒内将其转化为保证绝对平衡的协调关节指令。

在衡量底层运控实力的核心指标中，LimX WBT直接与行业公开最先进的全身跟踪模型SONIC较量了一番。

• 全身位置误差MPJPE：SONIC是13.75mm，LimX WBT做到12.85mm。
• 平均关节角误差：SONIC是3.3°，LimX WBT做到1.5°，降幅过半。

在精度与平滑度，这两个通常需要取舍的维度上，LimX WBT也保持领先：

• 关节空间jerk（平滑度）：SONIC是129.2，LimX WBT是115.2，低约11%。
• 基座朝向jerk（平滑度）：SONIC是113.0，LimX WBT是90.3，低约20%。

请注意，这里的测评指标，数值越低越好。关节点位的偏移误差更小，机器人动作不会出现跑偏、错位；四肢、躯干转动角度偏差减半，抬手、转身、迈步动作更贴合预期动作，不会出现动作走形；代表抖动、顿挫程度的jerk数值全面更低，身体晃动更少，不会像初学滑冰的人那样一顿一顿。换句话说，SONIC已经能让机器人“完成任务”了，但LimX WBT能让机器人完成得更稳定、更优雅、更像人。

在训练过程中，为了提高任务成功率，团队还引入真机RL（强化学习）迭代机制，当任务失败时引入专家遥操接管，对复杂动作进行微调纠正，让VLA策略持续变强。这些纠正数据会被迅速喂给专门的奖励模型，从而在真机上进行高效训练。让这套大脑系统在现实演练中“越用越聪明”。

S0在底层全程独立维持机器人不摔倒的平衡状态，精准执行动作指令。按张巍的话说：没有小脑，是长不出大脑的。

值得一提的是，这套三层技术架构，任一层都可以独立迭代、替换或后训练，而不牵动其余两层。这种设计思路，也引起海外玩家的注意。Flexion后来提出的Command/Motion/Control三层自主栈，架构范式与COSA趋同。不同点是，逐际动力同时掌握身体与大脑系统，不用借别人的身体练功夫。这种软硬件联合优化，纯软件公司可做不到。

Figure最强对手，不在硅谷

人形机器人的全球竞争风向变了。全行业正在从唯参数论的“谁的模型规模更强、谁的榜单刷得更高”，极其务实地转向了“谁能率先做出高成熟度、软硬一体的完整大脑系统”。这不仅是一场技术路线的选择，更是开启可持续平台化演进路线的商业分水岭。

放眼全球具身智能版图，真正有资格在这场终局之战中坐上头等舱牌桌的玩家，寥寥无几。

Skild走的是最纯粹的“模型即大脑”路线，用一个“全能体”基础模型控制所有机器人。Flexion的架构范式又跟随COSA。Figure能算一个，它更早提出System 1/System 2，在长程真实任务上与逐际动力形成代际领先优势。但Figure核心落脚点仍是“模型”，不是大脑“系统”。而且，Figure全栈闭源。

逐际动力非常聪明地将技术资产进行了战略划分：开源了Humanoid FluxVLA Engine的训练与推理代码，让“大脑”可被开发者复用，以此换生态与开发者反哺。Figure和逐际动力，一个在美国西海岸，一个在中国深圳，各自定义着“人形机器人大脑”。但很明显，逐际动力想把路走得更宽。因为当人形机器人进入“双雄时代”，堆砌模型参数的意义正在衰减，唯有构建更完整的大脑系统，才能真正跑通快速迭代的闭环。

One more thing

“三层大脑系统+软硬件联合优化+开放生态”，一套组合拳下来，别人可以学架构，但抄不了自家硬件上长出来的运控策略，以及大脑与身体的协同。别人可以堆参数，但堆不出真机上持续迭代的RL闭环。

告别唯模型论，软硬一体、分层协同的系统化路线，似乎成了当下一种更务实的选择：不赌某个模型能通吃一切，而是让认知、技能、运控在真实身体里各就各位、协同运转。只是系统化路线从落地那一刻起，就注定要和物理世界不断对话、反复校准。也是，谁家做操作系统的，会停在0.5就满足呢？