独家｜万亿市值的智谱，首次开源具身智能模型以及1000小时机器人数据集|具身|动作|大模型|推理|机器人|预训练

来源：市场资讯

（来源：智能纪元AGI）

这两天，AI大模型龙头智谱股价迎来“过山车”。

上周22日，智谱股价2980港元/股创新高，总市值首次超1万亿港元；回落之后，24号还继续总市值重回1万亿港元，如今是9380.54亿港元。

今天，更大的消息是，智谱已经开始加入具身智能热潮，研发VLA（视觉-语言-动作）具身智能模型了。

6月30日消息，智能纪元AGI独家获悉，智谱AI和中国人民大学的联合团队，近期研发出基于全身密集具身思维链（ECoT）方案、高达26亿参数的端到端VLA模型ZR-0，以及配套构建规模达 6000 万帧（约1000万小时）数据的机器人数据集 ProcCorpus-60M。

值得一提的是，论文提到：本论文（至少6位作者）的部分工作，是在智谱实习期间完成的。

这意味着，这是智谱首次公布实体机器人专用的VLA和物理具身智能模型，而且是开源的。

（注：之前智谱发布的CogAgent和AutoGLM统一架构，落地场景在电脑和手机 GUI 数字交互）。

据悉，对比多款行业标杆模型，在LIBERO单臂基准中，ZR-0整体成功率高达97.8%，最难的长时序多子任务套件得分 96.4%；而且在双臂、人形仿真环境与真实xArm机械臂上实现全面性能领跑。

相关成果已于今天发布arXiv预印本。

本论文通讯作者则是中国人民大学信息学院计算机系讲师，清华大学博士张静，她也是智谱创始人唐杰教授和李娟子教授的学生。

具体来看论文。

论文提到，在通用具身模型领域，长期存在一个难以突破的核心瓶颈：不同机械臂、人形机器人的运动自由度、动作空间、硬件配置差异巨大，传统仅依靠底层动作监督训练的VLA模型，很难实现跨机型迁移适配。即便经过微调，面对陌生物体、杂乱环境时任务完成率也会大幅下滑。

因此，研究团队首先提出了一个拥有26亿参数的端到端VLA模型ZR-0，它利用具身思维链（ECoT）推理作为密集监督信号来对齐跨具身特征；以及基于ECoT的增强机器人数据集ProcCorpus‑60M，从而解决跨机器人形态（单臂、双臂、人形）迁移难题，训练用推理、推理阶段零额外推理开销。

这意味着，无论单臂机械臂还是人形机器人，执行任务都遵循统一推理流程，识别场景、评估任务完成进度、拆解分步子任务、定位目标物体。

具体来说，首先，研究团队设计结构化ECoT标注体系，它采用结构化细粒度推理标注，每条轨迹全部帧自动生成6类原子监督信息，全部机型通用、不绑定硬件：涵盖场景描述、进度判断、长期任务规划、标准化原子动作、目标物体框、离散动作标记。

这套标注完全脱离机器人硬件限制，能够作为统一监督信号对齐跨机型视觉表征，从根源解决不同机器人之间的表征割裂问题。

其次，依托ECoT监督机制，ZR-0采用双系统架构（注：类似大小脑，包含System1/System2 认知框架），将视觉语言主干与动作生成模块解耦协同。

其中，System 2选用阿里Qwen3-VL-2B预训练多模态大模型（VLM），作为感知推理核心，负责处理视觉观测和任务指令，生成结构化的ECoT推理，以捕捉对当前场景和任务与具身形态无关的理解。

System 1 则搭建基于DiT架构的动作专家，它接收VLM的表示，并通过流匹配将它们映射到具身特有的连续动作片段。

ZR‑0总计包含约26亿参数：其中VLM部分（基于Qwen3‑VL‑2B‑Instruct初始化）占21亿，基于DiT的动作专家占5亿。而两个系统，通过交叉注意力机制连接，从而实现了从推理到动作的丰富信息流动。

而且，为平衡训练收益与推理延迟，团队还设计专属交叉注意力掩码：动作模块仅读取原始图像与指令特征，完全跳过推理阶段的 ECoT 文本解码，无需额外自回归开销，单A600显卡生成一组动作块仅需约90毫秒，完全满足机器人实时操控需求。此外，训练过程联合优化两项损失，实现认知与动作双重对齐。

再次，为支撑ZR-0大规模预训练，团队整合Open X-Embodiment、DROID、RH20T 等多套开源机器人数据，打造 ProcCorpus-60M 数据集，整体包含超 40 万条机器人轨迹、合计6000万帧（1000 小时）操作画面，全程通过大模型自动化生成 ECoT 标注，大幅降低人工标注成本。

同时，预训练阶段混入图文问答、图像描述等通用多模态数据，缓解机器人微调带来的大模型基础视觉能力遗忘，提升模型对杂乱、陌生场景的鲁棒性。