作者｜毛心如

如何判断一个模型的好坏？

这个问题放在当下的具身智能领域，答案像薛定谔的猫：在真正落地之前，模型能力既可能成立，也可能只是叙事。

长久以来，行业惯于依赖模型叙事：论文指标、参数规模、训练策略、架构设计，这些构建了一套看似严谨的评价体系，却往往难以在短期内被现实证伪。

于是，榜单与测评应运而生，试图通过标准化测试集赋予模型能力以客观量化。

但当大量玩家涌入，评测体系开始异化，榜单被针对性优化，测试集偏离真实场景，甚至出现专为刷分而训练的评测特供模型。

悖论由此显现：榜单上的优胜者，未必最适应真实世界的复杂性。

这正是行业当下的核心张力：机器人界信奉 Show,not tell（重展示），而模型领域却滑向 Tell,not show（重叙述）。

评价体系正在背离初衷。

因此，一个更本质的问题浮出水面：模型能力的真正试金石，可能不在分数，而在于它解决了什么实际问题、提出了何种新理解、是否在真实世界中产生可验证的效果。

换言之，行业正经历从看分数到看改变的评价范式转移。

在此背景下，具身智能也迎来技术分水岭。继 VLA 成为阶段性共识后，世界模型成为今年焦点。

但技术路径迅速分化：多数玩家沿袭逐像素重建的视频生成路线；另一条更激进的思路则试图绕开无关像素信息，直击“操作的本质”来建模。

星尘智能给出的答案，是第二代基座模型 Lumo2——业界首个家庭隐式世界动作模型（Latent Action World Models），从海量数据中汲取物理规律，用最小计算获取最大世界模型效果。

它在 Show and tell（叙事与行动并重）之间寻找平衡，用可落地的技术回应行业长期存在的验证困境。

破局四大行业瓶颈，Lumo-2 重构具身智能底层推理逻辑

过去两年，VLA 一度被视为具身智能的标准答案。

谷歌 DeepMind 的 RT-2 论文刚出来时，分析师们连夜改报告，把商业化时间表往前挪了三年。

这套打法的核心逻辑是：先用互联网图文数据对齐视觉和语言，再接入机器人动作数据进行端到端微调。

但问题在于，互联网数据教会了模型苹果是红色的圆形物体，却没教会它苹果被施加 10N 的力会发生形变并可能滚开。

即便把模型规模再扩大十倍、灌入更多网络图片，它对物理交互的预测能力也几乎是一条平直的线，互联网数据和物理世界之间，存在一道模型自身无法跨越的鸿沟。

VLA 本质上解决的是看到什么、说什么的问题，而非这个世界将如何演化。

当机器人真正从实验室走进家庭、商业和工业等开放环境，这道鸿沟以四个具体挑战的形式暴露出来：

机器人只能预测下一步动作，却无法解释为什么要做这个动作，动作会如何改变世界

复杂技能学习高度依赖机器人示范数据，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持续成长

模型规模不断增大，推高了部署成本和端侧算力要求

Lumo-2 的核心转向，是从预测下一步动作的传统 VLA 范式，升级为先推演未来世界状态，再基于推演结果生成动作的全新范式。

它思考具身原生的路径：让基座模型以动作为中心设计，把机器人动作视为模型第一公民模态（first-class modality），不做视觉或语言模型的附属输出。

以终为始，用物理执行这个最终目标反推模型架构，而不是简单迭代 Lumo-1，或适配现有视频生成模型或 VLA。

围绕这一转向，Lumo-2 完成了三项根本性迭代。

首先是世界预测能力的引入。

传统 VLA 模型关注像素级变化，而 Lumo-2 不是去花费大算力去合成未来视频，而是以动作为中心，在轻量、基于物理的潜在空间（Latent Space）里先预测物体状态、运动趋势和交互关系，让决策更接近人类直觉，以最小计算成本实现类世界模型的高高推理性能。

其次是跨模态对齐的创新。

Lumo-2 采用三阶段渐进式预训练：第一阶段对齐动作与世界动态，建立物理约束；第二阶段注入视觉和语言语义；第三阶段在多源数据上固化预测-执行的因果推理链条。

这种物理优先于语义的顺序设计，充分考虑了物理规律在不同场景中的不变性，不仅加快收敛，还提升了在未见物体和指令下的泛化表现。

第三是多源数据扩展。

Lumo-2 突破了传统模型对机器人示范数据的依赖，能够同时学习第一视角人类视频、多模态互联网数据以及不同平台机器人数据。

这让机器人像人类一样通过观察世界持续进化，大幅降低数据采集成本，并实现跨本体和人机技能的自然迁移，无需额外专门算法。

这些迭代带来了实实在在的效果。

真实世界复杂操作中Lumo-2模型表现

在具身理解、跨域迁移、真实复杂操作等权威基准测试中，Lumo-2 多项指标位居前列。

实际部署中，模型在单张 RTX 5090 上实现了约 100ms 的推理速度，并通过分块自回归等优化达成 2.71 倍端到端加速，支持闭环实时控制。

跨本体、人机技能迁移无需专门算法，新场景、新平台的适配成本被大幅降低。

Lumo-2 的意义不仅在于变得更强，更在于真正变得可用。

22 项家庭自主任务实证，最强家庭隐式世界模型的落地力

对行业而言，技术理论再亮眼，终究只是能力上限，真实场景的落地表现才是检验实力的唯一标准。

多数模型都逃不开实验室惊艳、真实场景拉胯的困境，这正是 Tell not show 的写照。

Lumo-2 发布的同时，星尘智能一次性公开了 22 项家庭自主任务演示，覆盖了多机器人协同、物理规律理解、超长流程任务、亚毫米级精细柔性操作四大最具挑战性的能力维度，多项为行业首次公开。

为什么是这四类任务？

因为它们分别指向 Lumo-2 区别于传统 VLA 的最核心能力：对物理世界的推演、对长流程的记忆、对柔性物体的精细操控、对多智能体协同的调度。

多机器人协同的代表是双机交替叠纸盒。

此前行业中类似演示一般为单机完成，而双机协同要求机器人之间进行时序判断、状态同步和精细操作配合，考验的是 Lumo-2 在多智能体场景下的调度与执行稳定性。

在物理规律理解层面，Lumo-2 跳出传统模型视觉识别、机械复刻的浅层能力，实现了对物理世界的深度领悟。

执行煎蛋、清洗咖啡碗、给小米称重等任务时，机器人需要实时理解重力、碰撞和摩擦力，锅的倾斜角度、鸡蛋的落点预测，每一个环节都依赖隐空间世界动力学对物理规律的准确推演。

高空接球则是另一个极端：球从高处掉落，机器人要在极短时间内预测落点并完成抓取，考验的是模型对动态物理过程的实时响应能力。

长流程复合任务验证的是时间维度上的能力。

完整做咖啡从取杯、磨豆、萃取到清洗涉及十余个步骤；调酒则叠加了摇酒的高动态动作；打包行李箱更是将收衣服、根据空位摆放物品、拉拉链串联成一个完整流程。

任何一个环节失误都会导致整体失败，考验的是 Lumo-2 在长时间序列中的记忆保持和推理连贯性。

最能体现技术壁垒的，是亚毫米级柔性精细操作。

最有含金量的是全网首次展示的礼品丝带打结，丝带在拉紧中产生复杂的摩擦与扭转，机器人需要两手实时协同调整间距与拉力，才能打出紧实对称的结。

这背后是对拓扑变化的动态理解：AI 要能实时应对物体连接关系、结构形状、空间连通性的连续改变。

给书包拉上拉链（临时还加件衣服）、熨烫到晾晒衣物、相同颜色笔盖装配，每一项都是行业公认的难点。

这些任务的共同特点在于，它们不是精心布置的展示型任务，而是真正接近家庭环境的复杂操作。

所有流程由机器人自主完成，没有人工分步干预，模型不仅能做，还能在动态、杂乱、不可预测的环境中持续做对。

Lumo-2 通过系统性的任务验证，证明隐空间世界模型不仅在理论上成立，也具备实际落地的可能性。

这正是 Show and tell 的真正含义：不仅解释模型为何有效，更在现实世界中证明它确实有效。

Agent Philia：易被忽视、具身智能缺失的操作系统层

模型再强，也只能解决怎么做的问题。

但当机器人进入家庭、长期与用户共处时，它还需要回答另外三个问题：记得什么、理解谁、协调谁。

单纯基座模型只能完成单次操作指令，缺少长期记忆、用户理解、多机调度、低门槛交互能力，无法实现陪伴式的个人机器人。

这也是星尘智能此次同步发布物理 AI 共生智能体 Agent Philia 的原因。

对于普通用户，Philia 提供了真正低门槛的交互方式。

用户通过飞书等日常应用，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，记住杯子放哪、喜欢什么水温并主动反馈执行状态。

对于企业客户，Philia 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。

在集中式任务编排+分布式执行智能的混合架构下，Philia 在上层判断哪个机器人在线、空闲、能力匹配、安全状态更好，具体到每台机器人，局部导航、避障、抓取等则各自分布式执行。

对于开发者，Agent 能力与机器人本体能力相互解耦，可持续升级模型、扩展机器人平台或新增交互方式，而无需重新开发整个系统。

Philia 与 Lumo-2 的分工边界非常清晰：

OS 层负责用户语义解析、长期记忆检索、任务拆解、多机统筹和安全监督，输出结构化任务合约

模型层接收标准化输入，完成隐空间世界预测与实时闭环控制。

Philia 不进入硬实时控制环，Lumo-2 也不直接管理长期用户关系和多机器人编排，二者各守边界，通过清晰接口完成从用户意图到物理动作的完整转化。

Philia 的长期记忆采用分层架构，包括用户画像记忆、情景记忆、技能记忆和世界记忆。

算法结合结构化存储、向量检索、时间衰减和任务相关性过滤，确保喂给 Agent 的不是全部记忆，而是经过检索压缩后的高相关上下文。

有了 Philia，机器人第一次拥有了会服务的能力，而这恰恰是此前行业讨论中最容易被忽视的一环。

Physical AI 进入「AI-OS-本体」三位一体全栈竞争时代

过去两年，行业围绕 VLA 模型和硬件本体快速迭代，但一个共识正在形成：单点技术路线已触及天花板。

无论是单纯强调模型还是专注硬件，都无法独立解决家庭场景中的系统性问题。

行业竞争正在从参数规模转向系统能力。

星尘智能的「AI-OS-本体」三位一体架构，就是对这一趋势的回应：

AI 模型负责思考，理解世界、学习技能

具身 OS 负责服务，长期陪伴、管理记忆、协调智能体

绳驱本体负责行动，安全、高效地与物理世界交互

三者分别解决会思考、会服务、会行动，缺一不可。

更重要的是三者之间的关系。

星尘智能认为，AI-OS-本体是强耦合的协同进化关系：

AI 能力的提升持续推动本体形态与传感方式的重新定义；

强本体作为 AI 数据的基础支撑，不断被赋予新的结构与感知要求；

OS 作为连接 AI 与机器人的桥梁，既支持 AI 快速部署，也保障持续的数据交互与回流。

三者形成定义-部署-反馈-再定义的闭环进化机制。

从 DuoCore 快慢系统框架到 Lumo-1 再到 Lumo-2，同步迭代 Philia OS，再到真机落地，「AI-OS-本体」三位一体，是星尘智能一直坚持的全栈战略。

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个人机器人。

在即将举行的 WAIC 上，星尘智能也将展出智慧药房、智慧零售、智慧交互等三位一体落地方案，推动 Physical AI 的规模化应用。

回到开头的问题：怎么判断一个模型好不好？

Lumo-2 提供了一个参考答案，不是看它登上了多少榜单，而是看它解决了什么问题、提出了什么观点、在真实世界中做到了什么。

它没有在逐像素重建的视频生成路线上卷算力，而是用隐空间世界模型直指物理本质；它没有停留在论文和榜单里自证，而是用 22 项家庭自主任务、多项全网首次展示，并在真实世界中完成了验证。

Physical AI 的上半场或许属于资本与叙事的喧嚣，但它的下一站，必然属于那些能够同时把思考、服务、行动三件事都做好、做扎实的体系化玩家。