---
title: "宇树科技重磅开源UnifoLM-VLA-0：基于Qwen2.5-VL-7B，单一模型实现12类机器人操作，准确率98.7%"
url: "https://paooo.com/aigc-news/11535/"
author: "Prompt 语宙研究院"
published_at: "2026-06-11T19:42:22+08:00"
updated_at: "2026-06-07T20:06:39+08:00"
categories: "AI 工具, AIGC 资讯"
tags: "UnifoLM-VLA-0, VLA大模型, 具身智能, 宇树科技, 机器人操作"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# 宇树科技重磅开源UnifoLM-VLA-0：基于Qwen2.5-VL-7B，单一模型实现12类机器人操作，准确率98.7%

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/11535/) · 作者：Prompt 语宙研究院 · 发布时间：2026-06-11

## AI 30 秒核心看点 (TL;DR)

- 基于 Qwen2.5-VL-7B 的通用 VLA 架构，单模型覆盖12类复杂人形机器人操作。
- 融合2D/3D感知、轨迹预测与动作块建模，强化空间理解和长程任务规划。
- LIBERO 仿真测试平均准确率达98.7%，验证其跨任务泛化与实操潜力。

> 
                **💡 站外导读：**当大语言模型在数字世界中大放异彩时，如何将AI的智慧“注入”机器人的身体，让它们像人一样理解物理世界并灵活操作，成为通往通用人工智能（AGI）的下一座高峰。当前机器人操作模型面临的核心痛点是：任务泛化能力弱，通常一个模型只能完成一项指定任务，难以适应复杂多变的真实环境。宇树科技开源的UnifoLM-VLA-0模型，正是为了破解这一难题而生。它通过创新的视觉-语言-动作（VLA）架构，试图让一个模型掌握多种操作技能，推动机器人从“专用工具”向“通用助手”的范式转变。

            

             
                        

## UnifoLM-VLA-0是什么

UnifoLM-VLA-0 是宇树科技开源的通用视觉-语言-动作（VLA）大模型，基于 Qwen2.5-VL-7B 架构进行持续预训练。模型通过融合 2D/3D 空间感知、轨迹预测等多维监督信号，实现从”视觉语言理解”到”具身智能体”的进化。模型采用单一策略即可完成整理桌面、叠毛巾、分拣水果等12类复杂人形机器人操作任务，在 LIBERO 仿真基准测试中平均准确率达 98.7%，展现出强大的空间推理能力和跨任务泛化性能。

## UnifoLM-VLA-0的主要功能

- **通用机器人操作**：作为端到端的视觉-语言-动作模型，UnifoLM-VLA-0 能通过自然语言指令控制人形机器人完成复杂操作任务，包括整理物品、叠毛巾、分拣水果、工具归位、擦拭桌面等12类多步骤长程任务。

- **空间感知与推理**：模型具备强大的2D/3D空间理解能力，包括物体检测与分割、3D边界框预测、空间关系推理（如”左边的铅笔”）、 affordance 推理（可抓取位置判断）以及轨迹规划。

- **单策略多任务**：仅需单一模型权重即可泛化到不同场景和任务，无需针对每个任务单独训练，展现出优异的跨任务迁移能力。

## UnifoLM-VLA-0的技术原理

- **模型架构**：基于开源 Qwen2.5-VL-7B 视觉语言大模型，新增 Action Head 动作预测头，构建端到端的视觉-语言-动作架构，实现从视觉感知和自然语言理解直接输出机器人控制动作。

- **持续预训练**：模型在覆盖机器人与通用场景的多任务数据集上进行持续预训练，整合 2D 检测分割、层次化任务分解、3D 物体检测、空间推理、轨迹预测等多样化监督信号，强化模型的多模态感知与物理理解能力。

- **动作建模**：模型引入动作块预测机制，同时施加前向与逆向动力学约束，对动作序列进行统一建模，使模型深入理解机器人与物体间的物理交互动态，支持长程动作规划与决策。

- **空间增强**：通过深度融合文本指令与 2D/3D 空间细节，建立语义逻辑与几何空间的精准对齐，显著提升空间感知与几何理解能力，满足操作任务对指令理解和空间推理的要求。

## UnifoLM-VLA-0的项目地址

- **项目官网**：https://unigen-x.github.io/unifolm-vla.github.io/

- **GitHub仓库**：https://github.com/unitreerobotics/unifolm-vla

## UnifoLM-VLA-0的应用场景

- **家庭服务**：模型可执行整理桌面、折叠毛巾、擦拭污渍等日常家务操作任务。

- **办公辅助**：模型能完成收拾文具、整理书包、工具归位等办公环境维护工作。

- **医疗健康**：支持开启药瓶、分装药品等需要精细操作的医疗辅助场景。

- **教育培训**：可用于按颜色分类物品、堆叠积木等结构化认知教学演示。

- **工业分拣**：模型支持实现按规则将水果、零件等物品分类放置到指定区域的自动化分拣。

                    
            
                

#### 📝 站长洞察 (Editor's Insight)

                UnifoLM-VLA-0的发布，绝非仅仅是一个新模型的开源，它清晰地勾勒出2024-2025年具身智能演进的核心路径。其一，它验证了‘基座模型+领域适配’范式在机器人领域的可行性：基于强大的Qwen2.5-VL-7B视觉语言基座进行持续预训练，比从头训练一个专用模型更具效率和泛化潜力。其二，‘单策略多任务’的架构设计，直指机器人规模化落地的瓶颈——数据与算力的经济性。通过引入动作块预测和空间语义对齐，模型试图建立一种更接近人类‘感知-思考-行动’的连贯认知，而不仅是模式匹配。这标志着行业竞争正从‘硬件性能’与‘单一场景精度’的比拼，转向‘大模型通用性’与‘复杂环境理解深度’的高阶较量。宇树此举，一方面彰显其技术雄心，另一方面也通过开源抢占生态位，为即将到来的机器人‘App Store’时代奠定基础。接下来的关键，将是在真实物理环境中的鲁棒性和长程任务的可靠性验证。

## 常见问题解答 (FAQ)

### UnifoLM-VLA-0是什么模型？
UnifoLM-VLA-0 是宇树科技开源的通用视觉-语言-动作（VLA）模型，基于 Qwen2.5-VL-7B 持续预训练，并新增 Action Head，用于把视觉理解和自然语言指令直接转成机器人动作。

### UnifoLM-VLA-0能做哪些机器人任务？
文章提到它可用单一策略完成12类人形机器人操作任务，包括整理桌面、叠毛巾、分拣水果、工具归位、擦拭桌面等，覆盖家庭、办公、教育和工业分拣等场景。

### UnifoLM-VLA-0的准确率有多高？
在 LIBERO 仿真基准测试中，UnifoLM-VLA-0 的平均准确率达到 98.7%。这说明它在多任务操作中具备较强的空间推理能力和跨任务泛化性能。

---
探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)
