这一次，它不是靠外形博眼球，而是真正朝着自主行动的家用机器人方向迈了一步，背后的技术逻辑值得好好说道。
在1XWM出现之前，多数机器人采用的VLA范式存在明显局限，核心问题就是对物理世界的理解不足，这类模型依赖预训练视觉语言模型做基础，再叠加动作预测模块，看似能处理复杂指令，实则需要数万小时的机器人专属数据训练，不仅成本高昂，泛化能力还极差，换个没见过的物体就可能宕机。
这种常识性认知正是家用机器人走进复杂家庭环境的关键，在小圆看来，这不仅是技术升级，更是机器人智能范式的转变，从被动执行指令升级为主动预判场景，这一范式转变的落地，还离不开适配的硬件支撑，毕竟模型的能力最终要靠机器人躯体来实现。
世界模型主干采用多阶段训练模式，先靠互联网视频打基础，再用900小时人类第一视角视频对齐操作逻辑，最后用70小时NEO专属数据微调适配躯体特性，为了提升指令遵循度，团队还借助VLM生成详细字幕辅助训练，这种精细化操作让模型对任务的理解更精准。
而逆动力学模型则扮演着过滤器的角色，它把生成视频转化为精确动作序列，同时剔除物理上不可能、运动学上不可行的动作，避免NEO做出瞬移物体、关节过度弯曲等离谱行为，小圆认为，这种软硬协同的设计思路很务实，既发挥了视频预训练的规模化优势，又通过精准对齐解决了落地难题。
泛化能力亮眼但仍有挑战，衡量机器人技术的核心的是泛化能力，1XWM在这方面交出了不错的答卷，在未经过专门训练的情况下，NEO能抓取从未见过的物体、完成清洁等全新动作，甚至实现双手协同和人机交互，这些能力都来自视频预训练积累的通用知识，再加上类人躯体结构的迁移优势。
实验数据显示，其在多种基础动作上成功率稳定，生成视频与实际执行过程视觉一致性极高，说明模型在空间理解、物理规律建模上已具备较强能力，当然，技术落地总有不完美之处，团队也承认存在脑到手未到的情况，倒液体、绘图等精细操作仍是难点。
且生成5秒视频需耗时11秒，速度短板会影响家用体验，不过1X团队找到了解决方向，通过并行生成多个视频并筛选最优方案，能有效提升任务成功率，抽纸任务成功率就从30%提升至45%，在小圆看来，这种直面问题、精准优化的思路，比单纯炫技的Demo更有价值。
这些实测中的亮点与不足，也勾勒出人形机器人商业化落地的清晰路径，500万次围观的热度，本质上是大众对家用机器人真正自主化的期待，1X把世界模型落地到NEO身上，不仅验证了视频预训练赋能机器人的可行性，更提供了一套从知识获取到动作执行的完整方案。
为行业突破数据依赖、降低落地成本提供了新思路，尽管目前在精细操作、响应速度上仍有提升空间，但这种从被动执行到主动思考的跨越，已经让人看到家用机器人走进千家万户的希望，随着技术持续迭代，以及硬件成本的逐步降低，相信人形机器人跨越最后一公里的那天不会太远，而1X的这次尝试，无疑为这条赛道点亮了重要的一盏灯。
热门跟贴