简介

WALL-OSS是自变量机器人团队开源的4.2B参数具身智能基座模型，具备语言、视觉、动作多模态端到端统一输出能力。它采用"共享注意力+专家分流"架构，解决了具身智能"不可能三角"问题，在泛化性、推理能力和动作精度上均超越π0等同类模型。仅需RTX 4090级别显卡即可完成训练部署，开源内容包括完整模型权重、训练代码和部署文档，大幅降低具身智能应用门槛，推动行业发展。

---

继π0后，具身智能基座模型在中国也终于迎来了真正的开源——

刚刚，WALL-OSS宣布正式开源！

在多项指标中，它还超越了π0。

如果你是搞具身的开发者，了解它的基本资料，你就一定不会想错过它：

它是一个通用基础具身模型，泛化性和推理能力一流，你可以在自有本体上部署，快速微调后用起来。

它还是一个多模态具身模型，输入与输出的数据，有语言、视频、动作等多种形态，具备良好的因果推理、空间理解和反思能力。

我们调研了一圈发现，在4.2B参数规模下，融合了超大规模的高质量真机数据进行预训练的WALL-OSS，是唯一一个具备语言、视觉、动作多模态端到端统一输出能力的开源具身模型。

这一波操作，不香都难。

它凭什么这么能打？我们得从背后的团队说起。

用最近的流行梗来说，模型“基础”，背后团队就不基础——成立于2023年底的自变量机器人。

目前，分层架构与端到端模型是两条具身的主要技术路径。从成立起自变量就全身心押注后者。去年11月，团队推出了WALL-A，全球最大规模的端到端统一具身大模型。

技术上屡有成果，资本市场也分外看好。

就在今天，这支队伍刚刚宣布完成了近10亿元A+轮融资。

阿里云、国科投资领投，国开金融、红杉、渶策、美团、联想之星、君联资本都在这一轮股东名单之列。

据了解，融来的这笔钱，大部分依旧投入全自研通用具身智能基础模型的持续训练。

单卡训练+开放泛化，所有轮式机器人都能跑

仅需要RTX 4090级别的同等算力显卡，开发者便能完成WALL-OSS从训练到推理部署的全过程。

更重要的是，WALL-OSS在保证低成本训练的同时，依旧实现了顶尖的泛化表现。

在严格的ID*（分布内）和OOD（分布外）*评测中，WALL-OSS展现出领先π0等同类开源模型的性能优势。

首先在泛化性上，即使是在指令描述、动作动词、物体方位等要素发生变化的OOD场景下，WALL-OSS依旧能保持高任务成功率和指令遵循度，展现出优异的环境适应性。

在需拆解细分指令的长程任务中，WALL-OSS也显著优于采用扁平化策略的基线模型*（如π0-flat）*。

在依赖CoT的推理类任务里，WALL-OSS更是优于π0-flat和pi-gpt-prompt等强基线。

此外通过空间VQA、视觉定位、场景语言描述等多模态基准测试验证，WALL-OSS不仅可以完整保留VLM的核心功能，还在原有基础上实现了能力强化。

这种对核心能力的扎实沉淀，让它能同时兼顾推理规划和动作执行，可输出语言和动作双模态，一些视觉信息也能以语言形式传递。

值得注意的是，WALL-OSS采用统一的Transformer架构，并通过专家分流机制实现语言、视觉、动作在统一框架下的生成与协同优化。

这种真正意义上的端到端避免了多阶段流程的误差累计，极大提升了模型在长程和“推理+操作”复合任务上的稳定性和成功率。

截至目前，WALL-OSS填补了此参数区间内的高水平具身智能大模型的空白，成为业界唯一一个同尺寸下的面向物理世界交互、端到端路径的具身智能统一模型。

更重要的是，WALL-OSS并不依赖特定场景优化，且具备跨场景迁移与执行能力——

从养老护理到工业装配，从酒店服务再到物流分拣……一个真正意义上可以通用部署的具身大脑，展现出巨大的应用潜能。

所以从现在起，无论是产业界做场景落地的团队还是高校实验室，甚至是极客爱好者，都可以部署最前沿的具身智能大模型。

具体到硬件适配方面，WALL-OSS可以通过微调，快速适配到不同本体上，极大地降低了机器人应用的落地。

4大创新，让4.2B模型击碎具身智能“不可能三角”

目前的具身智能界，存在着一个广泛公认的技术难题：

如何在模态统一、动作精度和能力泛化之间达成平衡？

这个“三难困境”，几乎构成了当前具身智能模型的能力上探的绊脚石。市面上大多数模型通常只能做到一个，两者兼顾已经很难，更别提三者具备。

WALL-OSS是少数试图正面破解这一结构性难题的模型之一：它在各项指标上均追求极限，并从架构到训练范式，从数据构建到推理机制，进行了系统性重构。

这让模型在当前4.2B参数的体量下，实现了模态统一、推理泛化与动作生成的能力闭环。

这背后的第一步，事关模型架构设计。

WALL-OSS没有采用传统多模态拼图式的堆叠结构，而是首创了“共享注意力 + 专家分流（FFN）”这一新架构。

简单来说，它将语言、视觉、动作等信息都嵌入在同一个表示空间中处理，通过共享注意力机制实现模态间的信息交叉，同时再通过专家FFN高效处理不同任务。

这种设计有效避免了VLM知识迁移中的“灾难性遗忘”和“模态解耦”两大难题，在融合度更高的同时，又能保留每一模态的独特表达能力。

第二个关键点，是对数据质量及训练策略的把控。

WALL-OSS背后，是大规模的VLA训练集的支撑，其中主要包括大量自采高质量真机数据和具身多模态数据。

值得注意的一点是，真机数据高质量、高精度，与真实世界高度贴合，是目前具身大模型中最好的数据源。

在有了规模够大、多样性丰富、质量够高的数据的基础上，自变量团队精心设计了训练策略。

传统端到端训练方式常常面临一个问题：认知能力强的模型不一定能输出精准动作，而擅长动作控制的模型则缺乏推理和规划力。

为了解决这一问题，WALL-OSS设计了Inspiration Stage（启发阶段）和Integration Stage（融合阶段）两阶段训练策略。

在Inspiration Stage阶段，继续使用原VLM的FFN结构，加入多种预训练任务以增强空间+语义理解能力、引入Embodied VQA*（具身视觉问答）*任务，并引入离散动作学习。

其核心目标是保持原始VLM能力不变的基础上，增强其对空间结构和动作的初步理解，为后续动作生成打下感知语义基础，避免“灾难性遗忘”。

Integration Stage阶段则分为两个子步骤。

第一步，冻结VLM，仅训练动作模块；第二步，解冻VLM，联合优化全模型。

如此这般，模型能从语言和视觉输入中连续生成高频物理动作，既保留了VLM的语言与视觉理解能力，又具备细粒度动作执行力，建立统一、协同、紧耦合的跨模态表示空间。

研发团队发现，采用“先离散、后连续、再联合”这一范式后，VLM强大的认知能力，能稳定、无损地迁移和扩展到物理动作上。

而团队独具匠心的第四个创新点，是让WALL-OSS有了内生的高级推理能力。

具体来说，WALL-OSS的统一跨层级思维链将思维链推理的概念从传统狭义CoT*（大语言模型中逐步文本推理）*推广至涵盖整个语义-感知运动频谱的广义CoT：

指令→推理*（CoT）*→子任务规划→连续动作。

这种统一框架实现了跨层级抽象层面的前向任意映射，使模型能够在单一可微分框架内无缝切换高层决策与底层执行。

自变量机器人CTO王昊表示：

这是WALL-OSS能够胜任长程、复杂任务的关键。
在面对未知环境、从未习得的任务时，模型也能自主拆解步骤，逐步思考，寻求解决办法。

So，具身智能“不可能三角”不是真的牢不可破。

架构、数据、训练、统一跨层级CoT四线齐发，让WALL-OSS在体量适中、硬件可负担的前提下，建立了一个真正能通用执行的具身智能能力底座。

真·开源通用模型，为具身智能“修路”

说完模型能力、技术突破，最后我们得说说它最破圈的一步：

WALL-OSS，它真·开源了。

在此前，具身行业里除了π0，开源界没有完全开源又真能打、真能用的；但对开发者来说，π0又得花很长时间才能微调用起来。

那么WALL-OSS呢？

——没有OpenAI那种长期吊胃口式的夸张性预告，不是只发paper那种程度的，开源的还不是几百个数据样本量的小模型。

这次自变量放出的，是一整套完整可复现的具身大模型方案。

包括预训练模型权重、训练代码、数据集接口，甚至还附带了详细部署文档，开发者可以在自己的机器人上直接跑通闭环流程。

这样即使开发者没什么训练经验，也能让第三方机器人无门槛接入最先进的具身智能基座，完成模型微调和复现任务。

不管你是研究机构、机器人公司，还是独立开发者，只要你有一个本体设备，哪怕不是自变量出品，也能把WALL-OSS跑起来。

这一步，直接把具身智能的进入门槛拉低了好几个台阶——实测反馈，外部团队最快一周内就能完成适配。

（注：通常情况下，这一过程需要1~2个月）

当然，如果用的是自变量本家的具身智能硬件，适配会更快，效果更丝滑。

为什么要开源？为什么要这么彻底地开源？

过去几年，整个具身智能赛道看上去热闹，发布会一个接一个，但似乎陷入了一种“过拟合演示”怪圈。

Demo演示一次次惊呆众人，但真正用起来，效果就是大打折扣。

自变量团队认为根本原因还是模型基建的缺失。

具身智能特别就特别在它是“软硬件一体”的，所以一旦基础设施受限，想把模型用起来，就需要不断适配、微调，就意味着高投入、高门槛、长时间。

与其每个团队每次都要花那么大功夫，为什么不索性直接彻底开源呢？

要知道，国内不缺有想法、有实力的人才或团队，能在某一个环节上节约时间，都能加速推动研发进度和实际场景落地。

至于数据和算力的问题，很多科研团队、中小企业都难以只靠自己克服。

所以，具身智能领域迫切需要一个低算力、能力强、还开源的基础模型来打破僵局。

WALL-OSS，就是这么一个符合上述条件的具身大模型。

“我们想让整个行业以最低的成本，获得最先进、最通用的能力基座。”自变量CTO王昊总结道，“因为没有基础模型，具身智能行业根本长不大。”

并且，自变量团队希望通过WALL-OSS乃至后面持续的开源，建立起开源的标杆。

这个举动， 能让“只能在定制化场景中表现优异”的机器人无处遁形，进一步推动行业之间的公平，倒逼技术透明化发展。

也能让更多的人才愿意加入具身智能行业，去一起攻破一些核心的技术难点。

在具身智能这场长跑里，终点一定不会只给某一家公司准备鲜花和奖杯。但起点，至少该有一块足够稳的起跑板。

自变量要做的，就是这块起跑板。

GitHub： https://github.com/X-Square-Robot/wall-x
项目主页： https://x2robot.com/en/research/68bc2cde8497d7f238dde690

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.如何学习大模型 AI ？

🔥AI取代的不是人类，而是不会用AI的人！麦肯锡最新报告显示：掌握AI工具的从业者生产效率提升47%，薪资溢价达34%！🚀

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】