Visics 通用具身大模型

通用具身大模型 Visics，采取以物体为中心，融合世界模型与通用操作模型的 VLOA（Vision-Language-Object-Action）架构，实现本体、物体、任务三大维度泛化，上层具身世界模型负责认知和预演物理轨迹，下层通用操作模型负责将轨迹转化为不同机器人的物理控制信号，实现了高层语义与底层物理规律的完美解耦，并分别用海量互联网视频及仿真数据进行预训练。

• 具身世界模型

相比当前以视频预测为中心的世界模型路线，RoboScience机器科学的具身世界模型是以物体交互为中心且3D动态的，架构更接近机器人真实执行所需的底层表示。其核心并不是在VLA之上外挂一个视频生成模块，不需要渲染宏大的世界，也不需要到像素级别，而是围绕具身操作所需的物体级状态、三维轨迹、接触关系和物理因果变化构建世界模型，并与执行层（通用操作模型）形成统一闭环。

模型的预训练基于海量互联网视频数据。通过全自动数据标注及清洗pipeline，团队已积累数百万小时以物体为中心的高维多模态操作相关数据集（数千万video clips），并以每周数十万小时的速度增长，目标在2026年构建上千万小时的全球领先数据集。

• 通用操作模型

 模型通过「物理引擎-仿真数据-端到端训练」的高效闭环，解决泛化性与灵巧操作难题。可支持刚体、铰链体、1D/2D/3D可形变体等全空间物体的各类操作任务；支持跨本体，支持不同类型的各种机器人及末端执行器；支持闭环操作（closed-loop）；支持含视觉、触觉、力觉等多模态感知数据。

作为通用操作模型学习物理规律的基础，我们通过自研多模态物理引擎RoboMirage积累了数百亿次高质量manipulation操作轨迹数据集，2026年目标是构建超过1T高质量manipulation操作轨迹数据集（1万亿次全空间物体的manipulation操作轨迹数据）。

基于VLOA大模型，RoboScience于2025年5月完成全球范围内最复杂、精度最高、步骤最多的具身操作任务

拼家具过程中几乎包括了领域中的所有难点：手内操作、外部灵巧性、双臂协同操作、精准力控、物体重排、部件嵌入/插入等，且拼家具对于精度要求极高，达到毫米级。

模型读取说明书后即可启动拼装：深度理解零件结构逻辑，实现多部件的检测、感知、插拔与旋转配合，还能自主分解多步骤任务，完成多关节双臂协同运动。

依托自适应插接路径规划和精细接触力调控策略，系统成功实现了高精度、高稳定性的拼装过程，无论是在零部件定位还是微小运动控制上均表现出卓越的能力。通过实时获取插接产生的反馈力，模型还能动态调整操作策略。

即便拼装过程中遭用户拆解干扰，模型仍能自动恢复状态，接续完成后续拼装步骤。通过该框架，系统可以用标准化方法分析不同场景下的物理接触，例如机器人抓取物体时的力反馈、变形预测或运动规划，无需为每种对象或机器人单独开发算法。