开放全栈！超越π0，具身智能基础大模型迎来真·开源，开发者狂喜

声明：文档由AI根据原文生成。

自变量机器人开源WALL-OSS，同日宣布近10亿元融资

自变量机器人于9月8日正式开源其通用具身智能基座模型WALL-OSS。该模型在4.2B参数规模下融合了超大规模高质量真机数据进行预训练，具备语言、视觉、动作多模态端到端统一输出能力。同日，该公司宣布完成近10亿元A+轮融资，阿里云、国科投资领投。

单卡可训，泛化性能领先同类开源模型

WALL-OSS支持在RTX 4090级别显卡上完成从训练到推理部署的全过程。在严格的ID（分布内）和OOD（分布外）评测中，该模型展现出优于π0等同类开源模型的性能。

在OOD场景下，即使指令描述、动作动词、物体方位等要素发生变化，WALL-OSS仍保持较高的任务成功率和指令遵循度。在长程任务中，其表现显著优于采用扁平化策略的π0-flat等基线模型；在依赖思维链的推理类任务中，亦优于π0-flat和pi-gpt-prompt。

通过空间VQA、视觉定位、场景语言描述等多模态基准测试验证，WALL-OSS完整保留了VLM核心功能并实现了能力强化，可同时兼顾推理规划和动作执行，输出语言和动作双模态。

该模型采用统一的Transformer架构，通过专家分流机制实现语言、视觉、动作在统一框架下的生成与协同优化。这种端到端设计避免了多阶段流程的误差累积，提升了长程和"推理+操作"复合任务上的稳定性。

WALL-OSS具备跨场景迁移与执行能力，可应用于养老护理、工业装配、酒店服务、物流分拣等场景。开发者可通过微调将其快速适配到不同本体上。

四项技术创新破解"不可能三角"

具身智能领域长期面临模态统一、动作精度和能力泛化难以兼顾的技术困境。WALL-OSS从架构设计、数据构建、训练策略到推理机制进行了系统性重构。

架构层面，该模型首创"共享注意力+专家分流（FFN）"结构，将语言、视觉、动作信息嵌入同一表示空间处理，通过共享注意力实现模态间信息交叉，以专家FFN处理不同任务，避免了VLM知识迁移中的"灾难性遗忘"和"模态解耦"问题。

数据与训练策略方面，WALL-OSS依托大规模VLA训练集，以自采高质量真机数据为核心。团队设计了两阶段训练策略：Inspiration Stage（启发阶段）沿用原VLM的FFN结构，加入预训练任务增强空间语义理解，引入具身视觉问答和离散动作学习；Integration Stage（融合阶段）先冻结VLM仅训练动作模块，再解冻联合优化全模型，实现"先离散、后连续、再联合"的范式迁移。

推理机制上，WALL-OSS将思维链推理从传统狭义CoT推广至涵盖语义-感知运动频谱的广义CoT，形成"指令→推理（CoT）→子任务规划→连续动作"的统一跨层级框架，可在单一可微分框架内无缝切换高层决策与底层执行。

自变量机器人CTO王昊表示，这是WALL-OSS能够胜任长程、复杂任务的关键，"在面对未知环境、从未习得的任务时，模型也能自主拆解步骤，逐步思考，寻求解决办法。"

全栈开源降低行业准入门槛

WALL-OSS此次开源涵盖预训练模型权重、训练代码、数据集接口及详细部署文档，提供完整可复现的具身大模型方案。第三方机器人无需门槛即可接入，实测外部团队最快一周内完成适配，通常这一过程需1至2个月。

自变量团队指出，具身智能赛道存在"过拟合演示"现象——Demo效果惊艳，实际应用却大打折扣，根源在于模型基建缺失。由于具身智能"软硬件一体"的特性，基础设施受限导致高投入、高门槛、长周期的适配困境。

"我们想让整个行业以最低的成本，获得最先进、最通用的能力基座。"王昊表示，"因为没有基础模型，具身智能行业根本长不大。"

自变量机器人成立于2023年底，自成立起即押注端到端技术路径。2024年11月，该团队推出WALL-A，宣称当时全球最大规模的端到端统一具身大模型。此次A+轮融资股东包括国开金融、红杉、渶策、美团、联想之星、君联资本等，资金将主要用于全自研通用具身智能基础模型的持续训练。

项目地址：

GitHub：https://github.com/X-Square-Robot/wall-x

项目主页：https://x2robot.com/en/research/68bc2cde8497d7f238dde690