UnifoLM-WLA-1.0 – 宇树科技推出的具身多模态大模型

1. UnifoLM-WLA-1.0是什么

UnifoLM-WLA-1.0是宇树科技推出的6B参数具身多模态大模型，基于约2500小时真机操作数据训练，将视觉感知、语言理解与动作执行统一建模，单模型统筹64项桌面与全身移动操作任务。该模型采用统一VLA架构，以视觉语言模型为骨干，通过RVQ离散动作表示将连续控制问题转化为token预测问题，并引入ER-Flow层的未来动态预测机制，让机器人在执行动作前先"想象"操作引发的场景变化。模型开源了约4B的UnifoLM-ER-1感知推理模型与ER-Flow动作建模模型权重，完整系统与后训练代码将陆续开放，为具身智能领域提供了完全可本地部署的开源基座方案。

技术定位与领域： 属于具身智能与多模态大模型交叉领域，专注于机器人操作任务的视觉-语言-动作统一建模，是该领域少有的完全开源且基于大规模真机数据训练的端到端VLA系统。

研发背景： 由宇树科技（Unitree Robotics）自主研发，该公司在人形机器人硬件领域拥有深厚积累，推出过G1、H1等多款知名人形机器人产品。在此基础上，宇树将技术栈向具身智能算法延伸，释放了UnifoLM系列模型权重。

核心价值： 解决了传统机器人操作中感知、规划、控制分模块造成的误差累积问题，通过单模型端到端训练实现多任务统一执行。其完全开源的策略降低了具身智能研究的门槛，使高校、实验室和中小企业能够基于真实机器人数据开展VLA算法研究。

技术特点： 采用统一VLA架构端到端训练6B参数模型，以RVQ离散化将灵巧手、末端姿态、下肢关节统一编码为动作token；ER-Flow层通过掩码token机制在推理时同时预测动作与未来动态区域，实现"先预判再行动"的闭环控制。

2. 主要功能

• 具身感知与推理： 底层ER-1模型基于Qwen3-VL-4B、经500万+样本强化训练，能够识别物体位置、空间关系及可操作区域，回答"目标在哪、物体间什么关系"等空间认知问题，为操作决策提供感知基础，在RefSpatial-Bench等7项开源模型评测中均取得领先成绩。

• 视觉-语言-动作统一执行： 将任务指令直接映射为机器人可执行动作序列，单模型统筹54项桌面任务与10项全身移动操作，无需为每个任务单独训练策略模型，显著降低了多任务部署的工程复杂度。

• 交互结果预测： 通过ER-Flow层的未来动态预测机制，在动作执行前预测操作引起的场景变化，使机器人能够"先想象再行动"，减少无效尝试和碰撞风险，提升操作成功率。

• 全身协同操作： 覆盖上肢精细操作与下肢移动控制的整体协调，能够完成铺床、叠衣、倒垃圾等需要移动与操作密切配合的复合任务，突破了传统机械臂固定基座的局限。

• 离散动作统一建模： 通过RVQ（残差向量量化）将末端姿态、灵巧手关节、下肢关节分别离散化为动作token，使连续控制问题转化为语言模型擅长的token预测问题，实现视觉、文本与动作信息在同一序列中统一处理。

• 跨本体部署能力： 模型深度适配宇树G1/H1人形机器人，解码后的动作指令可接入机器人运动控制接口，同时支持在仿真环境中先行验证，为不同硬件平台的迁移提供了灵活的部署路径。

3. 如何使用

1. 获取代码与依赖安装： 访问项目主页（unigen-x.github.io/unifolm-wla.github.io）或GitHub仓库（github.com/unitreerobotics/unifolm-wla），按README指引克隆代码仓库，安装依赖环境。建议使用Python 3.10+版本，并配置支持CUDA的PyTorch环境。

2. 下载模型权重： 从HuggingFace拉取已开放的UnifoLM-ER-1和UnifoLM-ER-Flow两款模型权重，使用huggingface-cli download命令即可完成下载。两个模型合计约4B参数，需要确保本地存储空间充足。

3. 跑通感知推理示例： 先用项目提供的推理脚本加载ER-1模型，输入机器人当前画面和任务描述，测试目标定位、空间关系理解等感知推理输出是否正常。此步骤用于验证环境配置正确性。

4. 接入动作预测模块： 加载ER-Flow模型，输入当前图像、任务指令和候选动作，模型会输出离散动作token及未来动态区域预测。需按官方提供的RVQ解码方式将token还原为连续控制信号。

5. 适配真机控制接口： 将解码后的动作指令接入宇树G1/H1等机器人的运动控制接口，并在仿真环境或真机上小规模验证后再部署。需注意权重本身不包含完整机器人控制系统，相关控制逻辑需自行实现。

4. 优缺点分析

5. 同类工具对比

选型建议： 对于需要完全掌控代码与数据的研究型团队和高校实验室，UnifoLM-WLA-1.0凭借Apache 2.0协议和分层模型设计，是理想的VLA研究基座，尤其适合以宇树机器人为硬件平台的团队。而π0.5虽然在开放世界泛化能力上表现突出，但封闭的生态使其更适合通过合作方式使用的商业团队。对于轻量级桌面操作任务且硬件平台不限的场景，OpenVLA的跨本体预训练优势值得考虑；对计算资源充裕并追求大规模预训练效果的研究机构，RT-2论文提供了参考价值。

6. 编辑总结

UnifoLM-WLA-1.0在具身多模态大模型领域展现了差异化的技术路线。从技术创新性来看，ER-Flow层的未来动态预测机制是区别于多数VLA模型的关键设计——通过掩码token同时预测动作与动态区域，让模型在动作执行前完成场景变化的想象推演，这种"先预判再行动"的闭环架构在开源领域较为少见。分层设计（ER-1感知底座+ER-Flow动作层）也体现了工程上的务实考量，允许开发者按需组合使用不同层级能力。约2500小时真机数据的训练策略，保证了动作输出更贴近真实机器人动力学特性，这一点优于大量依赖仿真数据的方案。

从实用价值角度，完全开源（Apache 2.0）的策略显著降低了具身智能研究门槛，使中小团队和个人开发者能够接触端到端VLA系统的完整技术栈。单模型统筹64项任务的能力，也为实际部署节省了大量策略训练成本。在硬件适配方面，与宇树G1/H1的深度集成形成了生态协同效应，用户可以直接在真实人形机器人上验证算法效果。

该模型主要适合四类人群：以具身智能为核心研究方向的高校实验室、基于宇树机器人开展应用开发的商业团队、需要端到端VLA参考实现的技术爱好者，以及希望从模块化感知推理入手的算法工程师。随着完整系统与后训练代码的陆续开放，UnifoLM-WLA-1.0有望成为国内具身智能开源生态的重要基础设施，后续版本在任务覆盖范围和跨本体泛化能力上的演进值得关注。

7. 应用场景

• 家庭服务场景： 完成叠衣、铺床、倒垃圾等日常家务，是发布会的重点演示场景。用户可通过自然语言指令直接指挥搭载UnifoLM-WLA-1.0的宇树机器人执行操作，机器人依靠感知推理能力定位物品、规划动作，并利用未来动态预测避免碰撞。全身协同控制使这类需要移动+操作配合的复合家务成为现实。

• 工业制造场景： 在产线上执行零件抓取、工具递送、简单装配等重复性操作任务。制造企业可通过本地部署模型，保护产线数据隐私，同时借助单模型多任务能力快速切换不同工位任务，无需为每个操作单独训练策略，降低产线自动化改造成本。

• 物流仓储场景： 进行货物分拣、包裹搬运、货架整理等需要移动与操作配合的仓储作业。模型的空间感知推理能力支持识别货架层格和货物位置，全身协同操作则让机器人在通道间移动并完成取放动作，提高仓储作业的自动化程度。

• 科研教育场景： 作为完全开源的端到端VLA基座，供高校和实验室研究具身智能算法、训练具身推理数据。研究者可基于ER-1单独研究感知推理能力，也可组合ER-Flow探索动作预测机制，分层设计为算法研究提供了灵活的切入点。

• 商业导览与服务场景： 在展厅、商场等场所执行引导、递送物品等与人交互的服务型任务。模型的语言理解能力支持理解访客指令，具身操作能力则实现递送物品等物理交互，为商业服务机器人提供更自然的交互体验。

8. 常见问题FAQ

Q：UnifoLM-WLA-1.0与普通VLA模型的核心区别是什么？
A：核心区别在于ER-Flow层的未来动态预测机制。推理时模型不仅预测动作token，还同时预测未来动态区域token，形成"先想象操作后果再执行"的闭环。这种设计让模型能够预判操作引起的场景变化，减少无效尝试和碰撞风险，是多数开源VLA模型不具备的能力。

Q：开源部分包含哪些内容，完整系统何时发布？
A：目前开源了约4B的UnifoLM-ER-1感知推理模型和ER-Flow动作建模模型权重，以及相应的推理脚本和RVQ解码方案。完整6B系统和后训练代码将陆续开放，具体时间待官方公布。

Q：模型能否适配非宇树品牌的机器人硬件？
A：模型输出的动作token与宇树机器人控制接口深度适配，迁移到其他品牌硬件需要自行实现RVQ解码与控制信号转换逻辑。建议先在仿真环境中验证兼容性，再部署到具体硬件平台。

Q：训练数据是仿真数据还是真机数据？
A：模型基于约2500小时真实机器人操作数据训练，而非纯仿真数据。这使得动作输出更贴近真实机器人动力学特性，物理可行性较强。但训练数据主要来源于宇树本体采集，跨本体泛化能力相对有限。

Q：部署UnifoLM-WLA-1.0需要什么样的硬件配置？
A：开源的两款模型合计约4B参数，推荐使用至少24GB显存的GPU进行推理。完整6B系统的部署需要资源待官方发布后确认。官方建议使用支持CUDA的环境，Python版本3.10以上。

Q：ER-1和ER-Flow是必须组合使用还是可以单独使用？
A：两者可独立使用。ER-1专注于感知推理，可单独用于目标定位、空间关系理解等任务；ER-Flow依赖ER-1的感知输出进行动作建模预测。用户可根据实际需求灵活选择使用层级。

9. 项目地址

• 项目官网： https://unigen-x.github.io/unifolm-wla.github.io/
• GitHub仓库： https://github.com/unitreerobotics/unifolm-wla
  • https://huggingface.co/unitreerobotics/UnifoLM-ER-Flow
  • https://huggingface.co/unitreerobotics/UnifoLM-ER-1