自变量机器人与辉羲智能携手验证纯国产软硬件适配

近日，自变量机器人与辉羲智能联手完成了一项国产软硬件的联合适配验证，这一动作在具身智能圈内引起了不小的关注。简单来说，自变量开源的具身智能基础模型Wall-OSS-0.5，已经在辉羲智能自研的光至R1芯片上实现了完整的端侧运行——而且是在多场景配置下，推理速度和精度都表现出色。这不仅仅是两个技术团队的内部测试，更是一次国产具身智能模型与国产算力芯片从“各自为战”走向“协同链路”的有益尝试，为未来规模化部署提供了一份实实在在的参考。

Wall-OSS-0.5这个模型本身有点意思。它是自变量机器人面向全球开源的一款具身智能基础模型，亮点在于：预训练完成后，直接部署到机器人终端就能干活，不需要针对每个细分任务单独微调——而且零微调的性能，已经能比肩同类模型微调后的效果。如果在微调场景下进一步打磨，优势会更加明显。换句话说，它把“一个模型适应多种任务”这件事往前推了一大步，降低了机器人的落地门槛。

具体的测试数据也很有说服力。在17项真实机器人任务的零样本测试中，涵盖语义理解、刚性物体操作、柔性物体操作、精细操作、长程多步操作五大类别，Wall-OSS-0.5在积木分类、水果分拣这类任务上，自主完成率超过了80%。就连“绳索收紧”这种完全没有出现在预训练数据里的形变物体任务，它也拿到了82分的好成绩。这种泛化能力，放在以前很难想象。

和同类开源模型π0.5做对比，Wall-OSS-0.5在15项机器人任务的微调测试中，平均任务完成度高出17.5个百分点，操作类任务的优势更是拉到了26个百分点。有意思的是，它在RoboTwin、RoboCasa、LIBERO等不同架构、不同任务、不同物理引擎的仿真平台上表现都很稳定，多模态理解能力全程在线，没有出现典型的灾难性遗忘问题。这意味着模型在感知、定位和空间推理方面确实做到了全面强化，不是偏科选手。

具身智能模型要在物理世界里完成感知、理解、推理这一整套流程，端侧算力平台是基础——没有低延迟、高能效、高稳定性的硬件支撑，再好的模型也施展不开。这次技术验证选用的光至R1芯片，拥有500+ TOPS的AI算力，强大的本地并行计算能力，为Wall-OSS-0.5的完整运行提供了充沛的硬件算力。从结果来看，这块国产芯片确实扛住了压力。

当然，软硬件的深度适配远不止把模型迁移过去那么简单。要同时兼顾推理效率、运算精度和部署稳定性，在工程层面挑战不小。此次验证中，R1芯片在Wall-OSS-0.5不同场景配置下的推理速度和精度都表现出了不错的水准。这不仅展示了光至R1作为国产端侧芯片的AI承载实力，也印证了Wall-OSS-0.5具备出色的跨硬件兼容能力和轻量化部署优势。更重要的是，它让“国产模型+国产芯片”这条路径的可行性得到了初步验证——为后续的国产化部署提供了一个有参考价值的样本。

展望未来，自变量机器人将和辉羲智能继续推进前沿具身智能模型在端侧硬件上的落地与深度验证，并联合产业链各方伙伴，以技术创新推动具身智能软硬件协同生态加速成熟。这扇门已经推开了一条缝，后面还有更大的空间等着去探索。