銀河通用LDA定義全域數據利用范式，跨本體世界動作大模型

衡宇 Jay 發自 凹非寺
量子位 | 公眾號 QbitAI

當下的具身智能賽道，已經卷成兩大技術流派的拉鋸戰。

純VLA模型Physical Intelligence π0.7擅長舉一反三，能適配陌生場景；世界模型派英偉達DreamZero主打「預判未來」，可零樣本適配新機器人。

但這兩種路線各有短板，行業遲遲沒有出現能跑通能落地、可規�；慕y一方案。

面對行業僵局，具身智能頭部企業銀河通用創新推出1.6B參數的跨本體「隱式世界-動作基礎模型」LDA-1B。

LDA-1B走的是自研的WAM世界-動作融合路線。

目前，該工作成果成功登頂今年僅有210篇錄用的機器人頂會RSS，項目成果代碼已全面開源。

論文地址：https://arxiv.org/abs/2602.12215
項目鏈接：https://pku-epic.github.io/LDA/
代碼地址：https://github.com/jiangranlv/LDA-1B

LDA-1B模型首次在數據層面實現虛實共融、人機混合、質量參差、有無動作標簽的數據統一有效利用。

用不那么學術的話來說，這個模型在業界首次做到了「吃數據的時候不挑食」。

無論是虛擬仿真還是真實拍攝、人類視頻還是機器人記錄、高清畫面還是模糊影像、帶標注的教案還是沒標注的原始素材，統統可以混在一起訓練，并且都能被有效利用。

只需短短1個小時的后訓練，它就能實現跨具身本體的自適應。

換句話說，它可以快速 “學會” 操控各種不同形態的機器人身體。

過去這些數據源互相水土不服，只能分開處理；現在壁壘被LDA-1B打破，數據獲取與標注成本大幅降低，AI能從更廣泛、更便宜的來源中學習。

回顧GPT-2之于大語言模型的最重要意義，就是打破了高質量標注數據的依賴枷鎖，依靠海量異構數據實現持續Scaling。

反觀具身智能，一直受困于數據割裂難題，難以進階。

現在，LDA-1B打破該桎梏，解鎖了具身智能的「GPT-2時刻」。

全數據高效利用，告別數據浪費

結合官方實測視頻，足以直觀展現LDA-1B全方位領先的核心實力。

視頻開場，它就亮出三大典型場景落地潛力：

零售場景，它能利索地在貨架間穿梭，分揀物品；家庭場景，它能整齊疊好衣物；工業場景，它能輕松搬運碼放沉重的貨物。

多樣生活化、工業化場景的流暢實操，充分體現了LDA-1B模型的落地適配性。

表象之外，想要真正看懂差異化優勢，還要從主流模型的現有缺陷講起。

行業普遍認為，只要積累足夠豐富的專家操作樣本，模型就能自主習得完整的行動邏輯與操作能力。

但這套技術路線本身存在明顯局限，整體十分依賴高水準訓練數據。

高質量數據的獲取門檻一直居高不下，遠程操控采集和精細內容標注，再加上復雜的動作空間統一工作，都會持續拉高整體成本，也讓數據體量很難實現大范圍擴充。

就算借助仿真數據來補充訓練數據，虛擬環境和現實場景的天然差距，也會帶來明顯的落地適配問題。

除此之外，行業還長期浪費著海量閑置資源，純視覺的人類第一視角素材，含有大量干擾信息的粗糙運動記錄，以及不同機器人設備產出的差異化內容，都難以被傳統框架吸收學習。

這個LDA-1B做了一件行業沒人敢做的事——把別人眼里的「無用數據」全拿來訓練了。

LDA-1B出來之前，全行業其實都沒真正吃透所有具身數據。

為了打破這個桎梏，銀河通用構建了完整的數據基礎設施「銀河星數（AstraData）」，并在LDA-1B中實現對全類數據的統一完整運用。

圍繞這一體系，銀河通用構建了一個金字塔式自下而上的五層數據結構：

• 互聯網圖像/視頻/文本數據（底層）：規模最大、成本最低，用于構建基礎感知與語義理解能力，但與具體動作執行相關性較弱；
• 人類行為數據（次底層）：提供動作先驗與任務理解，將“視覺認知”連接到“行為語義”；
• 多本體合成仿真數據（中間層，銀河自研合成數據管線產出）：以物理一致性為約束，大規模生成可控、多樣的機器人交互數據，實現從認知到執行的關鍵過渡；
• 真實遙操作數據（高層）：提供高質量動作示范，但規模與采集效率受限；
• 真實機器人自主運行數據（頂層）：來自真實部署環境的閉環數據，直接反映系統在現實世界中的運行表現，并持續驅動強化學習與系統優化。

此外，不同質量的數據也被分配不同的訓練角色，各司其職，物盡其用。

• 高質量專家軌跡：同時學習策略和動力學，定義什么是好的動作。
• 低質量/噪聲數據：只用于前向和逆向動力學。動作可能是錯的，但世界對動作的響應是真實的。一個人把杯子碰倒了，杯子倒下去的物理過程，不會因為「這個操作水平不行」就變得不真實。
• 無動作標注的人類視頻：用于視覺預測。沒有動作信號，但人類操作的時序結構和交互模式全都在畫面里。

在這一框架下，數據不再被簡單劃分為「有用或無用」，而是被系統性重組進統一的世界-動作模型之中。

這就是LDA-1B所說的「通用數據攝入范式」。

沒有垃圾數據，只有因訓練框架被「錯付」的數據。把對的數據放到對的訓練目標里，每一幀都有價值。

這一范式在LDA-1B中首次展現出清晰的規�；卣鳌�

隨著訓練數據從5000小時擴展至30000小時，LDA?1B的動作預測誤差持續下降，呈現穩定的單調改善趨勢。

相比之下，僅采用策略學習的基線模型在引入低質量數據后性能明顯退化。

規模化實驗結果，給出了最有力的證明。

當所有有動作標注的數據耗盡后，繼續加入超過10000小時無動作標注的人類視頻，LDA?1B的性能依然能夠持續提升。

這一點，是傳統行為克�。˙C）及既有世界模型方法難以實現的。

具身智能的規�；l展，第一次不再被高質量專家數據的稀缺性所限制，海量高低質量、有無標簽的異構數據，都能成為模型能力持續增長的動力。

它標志著具身智能開始真正進入以數據驅動的規�；l展階段。

跳出二元局限，鑄就跨本體通用能力

LDA-1B走出了區別于純VLA、純世界模型的第三條技術路線。

純世界模型難落地成實際動作，純VLA模型不理解行為后果。

LDA-1B選擇在單一擴散模型框架內把兩者完美融合，同時在一個模型里學習四大核心能力：

• 策略學習:根據當前觀測直接生成動作，這是VLA的能力。
• 前向動力學:根據當前狀態和動作，預測下一時刻的視覺狀態，這是世界模型的能力。
• 逆向動力學:根據前后兩個狀態，反推中間執行了什么動作。
• 視覺預測:不需要動作輸入，直接預測未來的視覺軌跡。

四類能力協同優化，構建起「感知—決策—交互—反饋」的完整閉環。

模型不僅知道「該怎么做」，更能理解「這么做會改變什么」。

通過一個MM-DiT（多模態擴散Transformer）構建，將動作策略學習與世界建模統一建模。

不同于傳統的世界模型容易在燈光、紋理等像素級的細節上消耗過多算力，LDA-1B選擇在緊湊的DINO的潛空間（Latent Space）中建模動力學，將注意力完全放在物體的結構和動作的本質上。

這種抓大放小的策略，讓它在處理具體操控、靈巧操控以及長程操作等復雜任務時，表現遠超其它模型，性能提升高達48%。

為了探尋LDA-1B的有效性和實際效果，研究團隊進行了一系列實驗。

研究團隊申明，所有測試使用的機器人本體——包括搭載雙指夾爪或22自由度靈巧手的Galbot G1、搭載10自由度靈巧手的Unitree G1——都沒有在預訓練數據集中出現過，屬于嚴格的少樣本跨本體泛化。

實測里LDA-1B的表現一騎絕塵。

夾爪取放、物體交接，超高難度長程任務，秒殺GR00T-N1.6和π0.5。

面對未知位置、新物體、變化背景等分布外擾動，以及各類靈巧手操作，LDA-1B同樣全方位領先現有頂尖模型，執行與泛化能力拉滿。

從鍋里翻撿牛排盛到盤子里，再撒點黑胡椒粉這種事，對搭載LDA-1B模型的機器人來說，真·小菜一碟。

比如精準預判「推動掃帚會帶動紙團位移」的物理邏輯，這也是其攻克長程任務、靈巧操作難題的核心關鍵。

團隊在實驗過程中，驗證了一個行業反直覺結論：

在下游任務微調中加入包含大量失敗和不穩定操作的遙操作數據，π0.5性能下降，LDA-1B性能反而提升10%。

不管是曾經被定義為「低質量」的數據，還是那些「不可用」的數據，現在統統都可以被LDA吃干榨盡。

整體而言，LDA-1B完成了模型能力與硬件適配的全域歸一，突破單一技術路線、單一機器人本體的能力局限，實現多場景、多硬件、多任務的通用化作業能力。

全鏈路閉環，開啟具身規模化時代

復盤行業兩大主流路線的底層缺陷，不難發現，兩者的天花板很明顯。

純VLA路線無法脫離專家數據掣肘，難以規�；�；傳統世界模型受像素空間制約，參數擴容無法帶來有效增益。

而LDA-1B依托WAM統一框架，憑借DINO結構化表征、四任務協同訓練、全量數據分工復用三大核心革新，補齊了具身智能規�；M化的全部條件，構建起可持續自我迭代的底層范式。

不同于行業傳統的「數據篩選」模式，LDA-1B建立的「數據組織」范式，讓海量異構數據持續為模型進化賦能，成功復刻大模型的Scaling增長邏輯，讓機器人真正擁有自主學習、持續進化的通用智能能力。

在產業落地層面，LDA-1B是銀河通用銀河星腦全人形通用基礎模型體系的關鍵閉環，它嵌入在「銀河星腦（AstraBrain）」的完整技術體系之中：

從「銀河星數」所構建的數據基礎設施，到跨本體的世界-動作基礎模型，再到面向真實場景的持續部署與反饋學習閉環，為實體場景規�；涞刂渭夹g根基。

依托成熟完備的技術管線，銀河通用將工廠工業、家庭起居作為核心落地主戰場，針對性打磨適配兩類高頻剛需場景的通用具身能力。

在工廠場景，模型可適配復雜工業產線環境，完成柔性搬運、精密操作、巡檢運維、流程輔助等多元化作業，適配多品類工廠非標化需求，降低產線智能化改造成本，助力工業自動化提質增效。

在家庭場景，可深度適配居家復雜動態環境，覆蓋全屋家務打理、老人兒童陪護、居家安全巡檢、生活化便民操作等日常需求，打破家庭服務機器人功能單一、環境適配差的行業痛點，真正落地普惠型家庭智能服務。

在此兩大核心場景之外，同步延伸至零售等細分領域，形成主次分明、重點突出的落地布局，推動具身智能從實驗室演示技術，升級為可落地、可復用、可創造價值的生產力基礎設施。

生態層面，銀河通用秉持開放共建理念，已開源基于公開數據訓練的LDA-1B模型版本。

打破行業封閉迭代壁壘，為全球具身智能研究提供通用、高效的技術底座，加速全行業技術躍遷。

從技術模型、數據資源到產業生態，LDA-1B完成了全維度的全域歸一，構建起技術可迭代、數據可循環、產業可落地的完整閉環，牢牢坐穩國內具身智能賽道的技術與估值龍頭地位。

技術與產業的雙重突破，讓這家公司獲得了資本市場的高度認可。

截至2026年4月，銀河通用已是國內估值最高的未上市具身智能企業，估值超200億元。

而LDA-1B的問世，再度夯實了企業的核心技術壁壘與行業領先的產業價值。

歸根結底，LDA-1B的價值早已超越榜單跑分的淺層競爭。

它解答了具身智能領域最本質的命題：

依托WAM世界-動作統一框架，機器人是否可以復刻LLM的規�；壿�，從海量異構數據中持續認知世界、迭代進化？

就這個問題，LDA-1B用自身給出了肯定的答案。

從GPT大模型的文本智能，到LDA-1B的機器人具身智能，統一建模、全量數據驅動的規�；壿嬕幻}相承。

銀河通用將這套成熟的AI進化范式落地機器人領域，正式拉開了具身智能規模化、通用化、產業化的全新序幕。

One More Thing

去年3月，銀河通用就率先提出并實踐了將World Model（世界模型）與Action Model（動作模型）統一的框架WAM（World-Action Model）。

感興趣的小伙伴可以跳轉論文《DyWA: Dynamics-adaptive World Action Model》。

該論文在全球范圍內首次對WAM的概念進行結構化定義，并在接觸動力學復雜的任務實現了成功的驗證。

DyWA創新性引入動態自適應機制，突破了傳統操控模型泛化弱、動態適配不足的痛點，為具身智能與非抓取操控研究提供全新思路，學術價值突出。

在產業端，該模型顯著提升機器人復雜場景作業能力，降低落地適配成本，有效賦能服務機器人、柔性工業操作等場景，加速通用具身智能技術落地與產業化進程。