在語言模型的發展曆程中，GPT-2 之所以成為一個關鍵裏程碑
，並不隻是因為模型本身能力的提升，更因為它第一次係統性地定義了一個問題——如何讓模型有效利用互聯網規模的異構數據。

從那一刻起
，語言模型不再依賴少量高質量標注數據，而是開始以“全量數據”為燃料，進入持續 Scaling 的時代。

但在具身智能領域，這個問題從未被真正解決。

不同來源的數據彼此割裂：機ji器qi人ren數shu據ju與yu人ren類lei數shu據ju難nan以yi統tong一yi，真zhen實shi與yu仿fang真zhen難nan以yi融rong合he，有you動dong作zuo標biao注zhu與yu無wu動dong作zuo視shi頻pin難nan以yi協xie同tong，高gao質zhi量liang與yu低di質zhi量liang數shu據ju往wang往wang被bei割ge裂lie使shi用yong。這zhe些xie結jie構gou性xing的de斷duan層ceng，使shi得de具ju身shen智zhi能neng始shi終zhong停ting留liu在zai“數據稀缺驅動”的階段，難以走向規模化學習。

近日，銀河通用機器人發布的跨本體「隱式世界-動作基礎模型」LDA，正是對這一問題的正麵回答。

其核心突破不單在於模型能力的探索，而在於世界範圍內首次在數據層麵實現：虛實共融、人機混合
、質量參差、有無動作標簽的數據統一有效利用。

換句話說：一個模型，開始能夠“吞吐全部數據
，並讓所有的數據各盡其用”。

這也意味著

，具身智能第一次真正具備了類似 GPT-2 的能力——進入以數據規模驅動性能持續提升的新階段。

具身數據範式新標準：從“篩選數據”到“組織數據”

在具身智能中，數據問題從來不是“有沒有”
，而是“能不能被統一利用”。

長期以來，不同類型的數據彼此割裂：真(zhen)實(shi)機(ji)器(qi)人(ren)數(shu)據(ju)規(gui)模(mo)有(you)限(xian)，遙(yao)操(cao)作(zuo)數(shu)據(ju)成(cheng)本(ben)高(gao)昂(ang)


，人(ren)類(lei)視(shi)頻(pin)缺(que)乏(fa)動(dong)作(zuo)標(biao)注(zhu)，互(hu)聯(lian)網(wang)數(shu)據(ju)難(nan)以(yi)對(dui)齊(qi)物(wu)理(li)世(shi)界(jie)，而(er)仿(fang)真(zhen)數(shu)據(ju)又(you)始(shi)終(zhong)麵(mian)臨(lin)真(zhen)實(shi)性(xing)約(yue)束(shu)。這(zhe)使(shi)得(de)具(ju)身(shen)智(zhi)能(neng)始(shi)終(zhong)依(yi)賴(lai)少(shao)量(liang)高(gao)質(zhi)量(liang)數(shu)據(ju)驅(qu)動(dong)
，難(nan)以(yi)走(zou)向(xiang)規(gui)模(mo)化(hua)。

銀河通用的解決方式，是構建完整的數據基礎設施——銀河星數（AstraData），並在 LDA 中實現對全類數據的統一完整運用。

圍繞這一體係，銀河通用構建了一個自下而上的數據結構（五層金字塔）：

互聯網圖像/視頻/文本數據（底層）：規模最大

、成本最低，用於構建基礎感知與語義理解能力，但與具體動作執行相關性較弱

人類行為數據（次底層）：提供動作先驗與任務理解，將“視覺認知”連接到“行為語義”

多本體合成仿真數據（中間層，銀河自研合成數據管線產出）：以物理一致性為約束，大規模生成可控、多樣的機器人交互數據，實現從認知到執行的關鍵過渡

真實遙操作數據（高層）：提供高質量動作示範，但規模與采集效率受限

真實機器人自主運行數據（頂層）：來自真實部署環境的閉環數據
，直接反映係統在現實世界中的運行表現，並持續驅動強化學習與係統優化

高質量專家數據：同時用於策略與動力學建模
，定義“最優動作”

低質量與噪聲數據：用於前向與逆向動力學學習，刻畫真實世界演化

無動作標注視頻：用於視覺預測，提取行為結構與潛在意圖

在這一框架下
，數據不再被簡單劃分為“有用或無用”，而是被係統性重組進統一的世界-動作模型之中。

這一範式在 LDA 中首次展現出清晰的規模化特征：隨著數據規模從數千小時擴展至數萬小時，模型性能持續穩定提升。

尤其關鍵的是：即使引入大量低質量甚至失敗數據，模型性能不降反升；在高質量動作數據耗盡後，僅依賴無動作標注的人類視頻，模型依然可以持續進步。

這意味著



，低質量數據與無動作數據，同樣可以驅動具身模型的持續 Scaling——這一點
，是傳統行為克隆（BC）及既有世界模型方法難以實現的。

從這個角度看

，LDA 不僅是一個模型突破，更是「銀河星數」數據體係在模型層的關鍵閉環——標誌著具身智能開始真正進入以數據驅動的規模化發展階段。

具身模型範式統一：從 VLA
， World Model 到 World Action Model

如果說數據決定模型能學什麼，那麼模型結構決定它如何理解這些數據。

傳統機器人模型
，本質上是從感知到動作的映射，其能力邊界在於：它可以執行動作
，但並不真正理解“動作之後世界會發生什麼”。

LDA 在這一點上進行了根本性改變。

銀河通用提出並實踐的，是將 World Model（世界模型）與 Action Model（動作模型）統一的框架
，即 WAM（World-Action Model）。

在模型層麵
，LDA 並不是一次結構創新，而是銀河通用長期技術路線的自然延伸。

銀河通用提出並實踐的
，是將World Model（世界模型）與Action Model（動作模型）統一的框架，即 WAM（World-Action Model）。

這一方向如今已成為具身智能領域的研究熱點，但早在 2025 年 3 月，銀河通用發表了 DyWA: Dynamics-adaptive World Action Model， 在全球範圍內首次對 WAM 的概念進行結構化定義，並在接觸動力學複雜的任務實現了成功的驗證。

2025 年 3 月銀河通用團隊率先對 World-Action Model 展開前沿探索

在論文中
，團隊對 WAM 進行了係統性的定義

從這一時間節點來看，團隊並非在跟隨趨勢，而是在這一關鍵範式尚未形成行業共識之前
，就已經完成了前瞻研究。

也正是在這一技術路徑的持續演進下
，LDA 得以在同一模型中統一學習策略
、動力學與視覺預測能力
，形成真正閉環的“世界—行動”聯合建模框架，使模型從“執行動作”走向“理解並作用於世界”。

在這一框架下，模型在同一體係中同時學習：

策略學習（Policy Learning）：從當前觀測生成動作

前向動力學（Forward Dynamics）：預測動作將如何改變世界

逆向動力學（Inverse Dynamics）：從結果反推中間行為

視覺預測（Visual Forecasting）：在無動作條件下推演世界未來

這些能力不再彼此割裂，而是在同一表示空間與訓練過程中協同優化，形成一個完整的“感知—決策—反饋”閉環。

這帶來了以往模型難以實現的能力躍遷，換句話說
，在「銀河星腦」的整體架構中，LDA 讓機器人第一次具備了這樣一種能力：既能行動，也能理解行動如何改變世界。

這一步，使機器人從“執行任務的工具”，開始邁向“理解世界的係統”。

視覺表征統一和動作對齊：麵向規模化的係統解法

World Action Model 類方法通常使用 VAE 派生的像素級表示進行動力學預測。這條路看似合理
，卻暗藏一個結構性缺陷：VAE 潛空間將外觀、幾何、動力學混雜在一起，不同機器人平台、不同光照場景的數據在這個空間裏難以對齊，導致動力學學習受到嚴重幹擾，更重要的是——難以隨規模擴展持續收益。

論文數據直接說明了這一點：將 UWM 從 0.1B 擴展到 1B
，RoboCasa-GR1 成功率僅從 14.2% 提升至 19.3%
，即使替換為 MM-DiT 也隻有 20.0%，Scaling 幾乎停滯。

LDA 的核心選擇，是放棄 VAE
，轉向 DINO 結構化潛空間。DINO 通過自監督預訓練，天然過濾光照、紋理等外觀冗餘
，保留物體級語義與空間結構。在這個空間中，不同機器人、不同環境的數據具有一致的表達形式——外觀差異被壓製，物理相關信息被突出
，使跨本體的動力學學習真正成為可能。

而僅有視覺統一還遠遠不夠
，真正阻礙具身大模型擴展的另一堵牆


，是動作空間的割裂。

不同機器人本體往往擁有完全不同的執行器形式：兩指夾爪

、多指靈巧手、吸盤
、剪刀式末端執行器……如果仍然沿用各自獨立的關節空間（joint space）建模
，動作語義天然無法共享
，數據規模再大，也隻是分散在彼此孤立的數據孤島中。

LDA 首次係統性地提出了一套統一的 hand-centric action space
，將所有動作統一映射到“手如何作用於世界”這一物理本質上，而不是機器人自身的關節定義上。

具體來說

，動作由兩部分組成：

其一


，是末端執行器的 delta wrist pose

，即手腕在連續時刻之間的位姿變化（位置 + 姿態）
；這部分刻畫的是操作意圖本身
，例如靠近
、推拉、插入、翻轉、對齊等跨本體共享的核心操作語義。

其二
，是 finger configuration，即手部接觸形態。對於 parallel-jaw gripper（平行夾爪），使用單自由度的 gripper width 表示開合狀態
；而對於 multi-finger dexterous hand（多指靈巧手），則使用在 wrist 坐標係下定義的關鍵點（keypoints）來描述手指構型

，而非依賴不同本體各異的關節參數。

這一設計的關鍵突破在於：它不再讓模型學習“某台機器人怎麼動關節”，而是學習“手如何與物體發生作用”。

這意味著，夾取、旋轉
、插入、剪jian切qie這zhe類lei操cao作zuo，不bu再zai被bei綁bang定ding在zai某mou一yi種zhong機ji械xie結jie構gou上shang
，而er能neng夠gou在zai不bu同tong本ben體ti之zhi間jian共gong享xiang動dong力li學xue規gui律lv。無wu論lun是shi仿fang真zhen中zhong的de雙shuang指zhi夾jia爪zhao
，還hai是shi真zhen實shi世shi界jie中zhong的de多duo指zhi靈ling巧qiao手shou，模mo型xing看kan到dao的de都dou是shi統tong一yi的de物wu理li交jiao互hu語yu言yan。

超強真機表現：跨本體、少樣本、長程靈巧操作

LDA 在真實世界中展現出強大的泛化與執行能力，模型在全部任務類別上穩定超越 GR00T-N1.6 和 π₀.₅，展現出更強的泛化與適應能力。

GROOT-N1.6、π0.5、LDA 三項工作在各類任務中使用二指夾爪操作的成功率對比

GROOT-N1.6
、π0.5

、LDA 三項工作在具體任務中使用靈巧手操作的成功率對比

少樣本跨本體泛化

從工業場景中的物體搬運，到零售環境中的取放操作，再到家庭中的日常任務，LDA 能夠在多種場景下穩定執行任務。

值得強調的是，所有測試所使用的機器人本體，均未出現在預訓練數據中。

在這一嚴格設置下，在 Pick-and-Place 任務中進一步引入多種分布外擾動
，包括未見位置、新物體以及背景變化。

結果表明，LDA 在各類擾動下仍能保持較高成功率，而僅依賴行為克隆（BC）的基線模型性能則出現顯著下降。

這表明，LDA 學到的不隻是“動作模仿”，而是能夠跨本體遷移的世界-動作結構。

長程靈巧操作

在更具挑戰性的長程任務與高自由度操作中
，LDA 同樣表現出色。例如
，模型可以完成“煎牛排”“疊紙杯塔”等複雜操作，這類任務既需要長時序規劃能力
，也依賴精細的接觸建模與控製能力。

在 LDA 驅動下，機器人可以勝任煎牛排這一長程任務，即便中途受到幹擾（打斷現有任務，發布新任務）
，機器人依然可以隨機應變，按照指令理解並行動

失敗數據讓性能再提升

一個更具啟發性的現象來自低質量真機數據。

在相同的數據設置下
，將這部分包含大量失敗和不穩定操作的數據加入訓練： 對於 π₀.₅，性能明顯下降；而對於 LDA
，性能反而持續提升。

這表明，LDA 並不是簡單依賴“幹淨數據”
，而是能夠從失敗中學習世界的真實動力學，將原本被視為噪聲的數據轉化為有效信號。

具身基礎模型進入“可規模化時代”

LDA 的突破
，意味著具身智能的 scaling 路徑正在發生根本性變化：它不再依賴稀缺而昂貴的專家示範數據作為唯一燃料，而是開始向更廣泛
、更真實、更複雜的數據來源全麵打開——包括業務回流數據

、低質量操作軌跡
，以及大規模人類行為視頻。

在這一範式下，數據不再被嚴格篩選為“可用”與“不可用”
，而是被統一納入模型對世界的建模過程之中。真正決定能力上限的，不再是數據是否完美，而是模型是否具備從異構數據中抽取結構、規律與因果關係的能力。

從這個角度看，LDA 回答的並不隻是“如何構建一個更強的模型”，而是一個更基礎的問題：機器人
，是否可以像語言模型一樣，從海量異構數據中持續學習世界本身？

而 LDA 給出的答案正在變得清晰：當動力學學習
、策略學習與視覺預測被統一到同一表示空間
，當低質量甚至失敗數據也能轉化為有效監督信號，具身智能就第一次具備了“從真實世界持續學習”的基礎條件。

在這一進程中
，銀河通用將 LDA 的核心算法與代碼體係全麵開源
，希望推動行業從封閉優化走向開放共建
，加速基礎能力的整體躍遷。

更重要的是
，這一能力並非孤立存在
，而是嵌入在「銀河星腦（AstraBrain）」的完整技術體係之中：從「銀河星坊」所構建的數據基礎設施，到跨本體的世界-動作基礎模型，再到麵向真實場景的持續部署與反饋學習閉環，正在形成一條完整的具身智能技術管線。

接下來，這一體係將進一步向真實應用場景延展，從工業製造
、零售服務，到複雜開放環境中的自主作業能力
，推動具身智能從“可演示能力”，走向“可持續運行能力”，並最終成為新一代生產力基礎設施的一部分。