章鱼动力发布基座模型SYNWorld V0.5：具身的“Scaling答案”，从任务清单走向物理世界通用模型

2026世界机器人大会（WRC）开幕当天，北京亦庄的展馆里挤满了人形机器人、工业机械臂和各式各样的灵巧手Demo。

但在章鱼动力（SynapX）的展位上，被围观最多的是一块块屏幕里正在运行的模型：置身叠衣服、精细化拼图等场景，机器人面对每次不同的物体和视角，既没有重新写代码，也没有回到训练池里补数据，而是由一个统一模型在实时理解场景、推演物理变化、生成动作策略应对。

这就是三天前章鱼动力正式发布的面向具身智能的通用世界模型 SYNWorld V0.5。

如果要给SYNWorld V0.5找一个最核心的标签，不是参数规模，不是训练时长，也不是它在某个单项任务上的精度——而是通用性。

行业内常见的“通用”叙事，往往是“一个模型能做100个任务”——叠衣服、抓杯子、拧瓶盖、开门、插销……听起来很多，但本质上是在同一个模型框架里塞进100条技能管道。换一个物体形状、换一个光照角度、换一个桌面高度，模型可能就需要重新采集数据、重新微调。

SYNWorld V0.5走的完全则是另一条路。当面对一个从未见过的任务时，它不是在记忆库里检索“这个任务我有没有见过”，而是在调用它对物理规律的理解来推导“这个场景下我应该怎么做”。它不需要为每个新任务单独采集数据、单独训练模型，因为它已经在物理世界的底层逻辑上建立了通用的理解框架。

这正是SYNWorld V0.5区别于市面上绝大多数具身模型的地方——它不是又一个“会做很多事的模型”，而是一个“开始懂世界的模型”。而懂世界，才是通用性的真正起点。

走出“专机专用” ，通用世界模型是物理 AI 的底层答案

今天的具身智能行业，并不缺少亮眼的演示 Demo。做咖啡、写字画画、抓取各类物件，各类机器人在展台上完成一次又一次流畅操作，总能收获现场观众的赞叹。

但喧嚣演示背后，行业内部始终绕不开一道现实鸿沟：大量机器人能力高度绑定特定场景、特定物体乃至特定机器人本体。换一个摆放角度、更换一件陌生物件，很多模型就需要重新采集数据、重新调试训练。

这种“做一个任务，训练一套模型” 的模式，也就是行业所说的专机专用，很难复制、很难扩展，距离真正通用机器人还有很远距离。

章鱼动力 CEO 都大龙在 WRC 现场的演讲中谈及行业痛点，他表示：传统机器人长期依靠预设程序完成既定工作，一旦置身充满不确定性的真实环境，就很容易陷入失效。机器人想要真正成为新一代生产力工具，不能只是机械执行写死的指令，必须学会理解物理世界本身的运行规律，拥有环境感知、因果推演、任务规划、自主决策，并且持续自我演化的完整能力。

这也是章鱼动力投入大量资源研发 SYNWorld 通用世界模型的出发点：物理世界的智能跃迁，不应该依靠对任务清单无休止的叠加，而要依靠一套可以跟随算力、数据规模同步Scaling的通用基础模型。

SYNWorld V0.5，正是这条 Scaling 路线上第一个落地的关键坐标。

不同于把感知、预测、动作生成拆分成多个独立模块的传统思路，SYNWorld V0.5 采用 MoT 多模态 DiT 架构，把语言、视觉图像、视频、触觉力觉信号、机器人本体状态、动作指令、任务进度全部纳入统一建模框架。通过模态专属编解码器处理不同类型输入，再经由共享自注意力机制完成跨模态信息交互，基座参数规模达到 10+B，依托超过 30 万小时异构训练数据完成预训练，数据集覆盖海量图像视频、带标注机器人运动轨迹数据。

SYNWorld 模型架构图

整套预训练流程分为两步，模型先从图像、视频素材中学习物体特征、空间关系、时间维度的物理动态，之后接入机器人动作轨迹数据，建立环境状态变化与机器人动作之间的因果关联。完成预训练的基座模型，沉淀出关于场景理解、未来状态预测、逆动力学、动作生成的共享表征，在此基础之上延展出 ACWM 动作可控世界模型、WAM 世界动作模型两条能力路线，二者共享基座对物理世界的认知，但是承担完全不同的技术职能。

ACWM 面向世界预测，给定历史观测与一组待执行动作，就能够推演环境后续将发生怎样的改变。它可以为数字孪生、仿真数据合成、闭环评测、强化学习训练提供底层支撑；WAM 世界动作模型则直面机器人动作生成，拿到当前环境观测与任务目标之后，同时推演未来世界变化与生成机器人执行策略，直接服务实体机器人闭环控制。简单来讲，一个回答 “做这个动作接下来会发生什么”，另一个回答 “面对这个任务机器人应该做什么”。

章鱼动力还设置了双盲偏好测试，将 SYNWorld V0.5 基座与 Cosmos3 Nano 基线模型做横向对比，围绕语义跟随、视觉质量、物理规律遵循三大维度，使用近百组多样化提示词测试集开展评估。

评测结果显示，SYNWorld V0.5 在语义跟随维度相对净胜率提升 46.7%，视觉质量提升 26.7%，最为关键的物理规律遵循指标提升 51.2%。三组数据同步向好，意味着基座模型对于物理世界的理解实现代际提升，而物理规律的掌握，恰恰是机器人脱离演示 Demo、迈向真实场景的先决条件。

但通用世界模型仅仅依靠算法架构革新远远不够，如果没有源源不断高质量、多维度真实世界数据输入，再精巧的模型架构也很难释放潜力。想要真正打破专机专用的行业枷锁，模型不能孤立存在，它必须和灵巧手硬件、完整数采链路深度绑定，构建起一套完整闭环系统。

协同飞轮：模型、硬件、数据三位一体打通具身闭环

在章鱼动力的产品逻辑当中，SYNWorld 作为 “脑”，OctoH‑Hand 仿生灵巧手作为机器人和现实世界交互的 “手”，OctoSense 数采方案作为供给高精度、高质量训练素材的 “数据”，三者并不是彼此割裂的独立产品，而是共同组成 “数据采集 — 世界理解 — 策略生成 — 真机反馈” 的生产力飞轮。

数据源源不断采集人类操作经验交给模型学习；世界模型理解物理规律生成动作策略；灵巧手在现实环境完成操作，再把真机环境的感知、力反馈结果回输到整个系统，完成一轮完整迭代循环。只有这套循环持续转动，机器人才有机会摆脱预设脚本，一步步靠近物理 AGI 目标。

WRC 展会现场，观众可以直观体验整套闭环的运转过程。

在“脑” 的展示区域，观众可以看到“脑”在叠衣服、精细化拼图等不同场景的丝滑演示；OctoH‑Hand 灵巧手实物对外展示多指协同、拇指对掌、指尖精细抓取等操作，凭借高自由度、多模态感知、柔顺力控能力，完成一系列逼近人手的复杂精细作业，让代际超越的模型策略不止停留在屏幕上，而是真正落地到物理世界之中。

而整套闭环的起点，则来自 OctoSense 下一代具身数采方案。现场参观者可以佩戴鱼眼头环、肌电手环、同构外骨骼数采手套，亲身体验整套采集链路。

这套硬件矩阵最值得关注的突破，在于实现肌电信号跨个体零样本泛化。过往肌电采集存在明显局限，不同使用者的肌肉结构、发力习惯差异巨大，往往针对单人完成适配之后，更换使用者就需要重新校准、重新采集标定数据。

OctoSense 打破个体差异带来的壁垒，把人类手部操作经验近乎无损地映射到灵巧手真机之上，每一次人类真实操作，都可以直接沉淀为可供机器人学习的训练素材。

SYNWorld V0.5 从世界广度到任务深度的数据金字塔

章鱼动力搭建起一套分层的“数据金字塔”，从底层海量通用图像、视频数据，到Ego第一视角数据，再到带Action的具身数据，最后沉淀少量高难度任务高质量精细操作数据集。四层数据广度与深度相互配合，共同构成 SYNWorld 的训练原料底座，累计总训练数据达到 30 万小时以上，系统日均新增1 万小时以上，场景覆盖超 1000 种，覆盖十余种不同机器人本体。

行业之中，做世界模型的团队不少，做灵巧手硬件的公司同样比比皆是，但很多项目局限在单点技术突破。章鱼动力这套体系的特殊之处，在于从最初设计阶段，就把大脑模型、灵巧执行硬件、数据采集工具、工程训练基建放在同一套体系内统筹规划。

世界模型的能力边界，会受到数据质量、执行硬件感知能力的约束；反过来硬件设计、数采硬件开发，也围绕模型训练需要的信号、模态去定义需求。脑、手、数据三者互相约束，又互相增益，形成正向飞轮。当灵巧手真机在现实环境执行任务产生新的感知反馈，这些信息通过数采链路回流，又反过来滋养 SYNWorld 大脑，让模型对于真实世界的认知持续迭代更新。

当然必须客观看待当下所处阶段。V0.5 版本仅仅是起点，在长时序预测一致性、精细交互物理准确性，跨任务跨本体迁移能力层面，仍然留有巨大提升空间。参数规模本身不是追逐的目标，真正核心的诉求，是验证 “随着数据、算力扩大，模型能力可以持续提升” 这条 Scaling 曲线的真实成立。

锚定迭代路线图，物理 AI 的竞争是一场长期系统性工程

在 WRC 大会现场，众多产业界人士的共识愈发清晰：高级阶段的物理 AI，绝非某一项单点技术的胜利，而是模型、硬件、数据、工程体系协同演进的系统性较量。

数字大模型时代，很多团队可以调用公开数据集、开源基座快速完成演示版本；但面向物理世界，真实场景的数据获取门槛、真机硬件调试成本、数字世界与复杂物理世界之间巨大的鸿沟，共同抬高整个赛道的门槛。

这也是资本持续押注章鱼动力这类团队的底层逻辑：想要跑通具身智能，不能只靠算法团队，同样需要硬件工程、数据工程、机器人控制多类人才交叉融合。

根据对外公布的迭代规划，SYNWorld 已经画出了一条清晰的演进路径。

SYNWorld 从 V0.5 到 V2 的参数规模与模态扩展路径

1. 当前版本，10+B 参数，打通视觉‑动作统一建模、训练评测部署完整链路；
2. 计划今年 10 月推出 V1.0 版本，参数规模推进至 20+B，扩充触觉、力觉等更多模态输入，训练数据规模提升至 100 万小时以上，系统性验证能力随规模增长的可行性；
3. 到 2027 年上半年，目标推出 V2.0 版本，迈向数百 B 参数 MoE 架构全模态世界模型，训练数据目标达到 500 万小时。

每一步迭代，都同步配套数据规模扩充、硬件采集矩阵升级、整套 Infra 体系同步升级。

需要厘清的一点，参数扩张只是实现能力的手段，而不是最终目标。章鱼动力对外反复强调，只有模型能力实实在在跟随数据规模、算力投入持续上涨，Scaling 路线才有真正意义。未来团队还会对外放出完整技术报告，详细披露 SYNWorld V0.5 架构细节、训练手段与全部实验评测结果，把现阶段的探索经验开放给行业参考。

从行业宏观视角看，2026 年整个具身智能赛道正在完成一次认知转向。过去行业更多关注机器人本体硬件参数，关节扭矩、自由度、运动速度是讨论焦点。而现在，产业界慢慢意识到硬件只是载体，真正瓶颈在于机器人能不能看懂、读懂真实物理世界，能不能举一反三，在从未经历的复杂环境当中完成任务。

一部分团队选择从硬件出发，再补齐上层智能；另一部分团队优先做大模型算法，再去适配现成硬件。章鱼动力选择第三条道路，从最初就把大脑、灵巧手本体、数采工具作为整体来设计。

但这条道路注定布满挑战。物理世界无穷无尽，物体材质千差万别，环境光照、摩擦、形变充满不确定性，仿真环境永远无法 100% 复刻现实世界全部细节。哪怕实验室内部评测拿到亮眼数据，一旦放到非结构化真实家庭、工厂环境，依旧会冒出大量未曾预料的问题。

SYNWorld V0.5 的发布，代表章鱼动力已经跨过这条路线的第一个里程碑，不代表已经拿到最终答案。

WRC 展台上，一次次数采体验、灵巧手动作、世界模型演示，向行业展示的不只是几个产品 Demo，更是一套全新的破局路径：我们不需要为每一类任务单独开发一套机器人系统，我们可以搭建一套持续成长的通用世界基础模型，依靠数据、模型、算力的持续 Scaling，让机器人自主学习物理世界运行法则，从而适配千变万化任务。

当数字大模型浪潮告一段落，AI 产业下一场大的故事，必然发生在物理世界。大模型已经学会理解语言、图像，下一步，是学会理解世间万物的运动、碰撞、形变与交互。

章鱼动力“脑‑手‑数据” 这套完整体系，为国内具身智能赛道提供了一条可观测、可迭代的技术样本。未来一段时间，行业也将持续观察，这套飞轮能否持续转动，从展会的演示台，真正走向千行百业的真实作业场景。

文章来自于"AI智件"，作者 "贾珈"。