BestBlogs.dev📌 一句话摘要
星尘智能发布具身基础模型 Lumo-2，通过「隐式世界-动作模型」架构实现先预测后行动，显著提升机器人在家庭场景中的动作稳定性与任务成功率。
📝 详细摘要
星尘智能于 7 月 15 日发布第二代具身基础模型 Lumo-2 与物理 AI 智能体 Philia，构成「AI 模型—具身 OS—绳驱本体」三层体系。Lumo-2 被称为「家庭隐式世界-动作模型」，核心创新是在观察与动作之间引入潜在世界动态预测——模型先在压缩隐空间中预测与任务相关的未来物理变化，再据此生成动作，而非传统 VLA 模型的「反射式」直接输出轨迹。该模型覆盖 22 项以上家庭任务，采用三阶段渐进式训练（视觉-动作对齐、视觉语言-动作对齐、联合训练），在单张 RTX 5090 上将端到端延迟从 253.66ms 降至 93.53ms。Philia 则定位为具身 OS，负责将模型、记忆、交互、导航与多台机器人整合为可长期服务的统一系统，标志着具身智能从单次技能调用进入系统工程阶段。
💡 主要观点
- Lumo-2 引入「隐式世界动态」预测层，先预测后行动。 模型在压缩隐空间中预测与任务相关的物理变化（如物体移动方向、容器倾倒状态），再生成动作，而非传统 VLA 的直接轨迹输出。这种「未来草稿」式预测解决了单帧图像的状态混淆问题。
- 三阶段渐进式训练将动作提升为与视觉、语言并列的核心模态。 第一阶段对齐视觉变化与动作，第二阶段建立动作的语义关系，第三阶段联合多源数据训练。这一设计逻辑是动作不应是视觉语言模型末端的输出接口，而应是基础模型的内生能力。
- 分块自回归生成实现实时控制，延迟降至 93.53ms。 一次预测一组动作 token 而非逐个生成，在单张 RTX 5090 上将端到端延迟从 253.66ms 降至 93.53ms，满足家庭场景的实时控制需求。
- Philia 将多台机器人整合为统一智能助理，标志着具身智能进入系统工程阶段。 用户通过单一助理身份调用多台机器人，Robot Gateway 提供标准能力接口，模型升级不影响上层交互体验，长期记忆支持个性化服务。这意味着机器人进入家庭的门槛已从「演示视频」提升为「可持续演进的完整系统」。
💬 文章金句
- Lumo-2 试图保留的预测是与行动有关的物理变化，例如物体将向哪里移动、容器是否仍在倾倒、手与物体将发生怎样的接触，以及任务即将进入哪个阶段。可以把它理解为一份面向行动的「未来草稿」。
- 动作应当和图像、语言一样，被当作基础模型中的一种核心模态，而不是在视觉语言模型末端临时增加的输出接口。
- 起码在技术上，具身智能开始进入「系统工程」阶段，机器人进入家庭，一段漂亮的演示视频已经远远不够打动人了，一套可以持续升级、可以被打断、能够记忆，也能够对真实世界负责的完整系统才是准入门槛。