UnifoLM-VLA-0：宇树科技开源的通用视觉-语言-动作大模型

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架构完成持续预训练，核心通过融合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技术进化。模型凭借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%，展现出极强的空间推理能力与跨任务泛化性能，为人形机器人的通用化操作提供高效模型支撑。

UnifoLM-VLA-0主要功能：

1、通用机器人端到端操作：

作为端到端视觉-语言-动作模型，可通过自然语言指令直接控制人形机器人，完成整理物品、叠毛巾、分拣水果、工具归位、擦拭桌面等12类多步骤长程复杂操作任务，适配多场景实操需求。

2、多维空间感知与推理：

具备强大的2D/3D空间理解能力，可实现物体检测与分割、3D边界框预测，同时支持空间关系推理（如“左边的铅笔”）、affordance推理（可抓取位置判断）及轨迹规划，精准把控物理空间交互逻辑。

3、单策略跨任务泛化：

仅需单一模型权重即可泛化至不同应用场景与操作任务，无需针对单个任务单独训练，拥有优异的跨任务迁移能力，大幅降低模型落地与二次开发成本。

UnifoLM-VLA-0技术原理：

1、轻量化升级模型架构：

基于开源Qwen2.5-VL-7B视觉语言大模型进行拓展，新增Action Head动作预测头，构建端到端的视觉-语言-动作一体化架构，实现从视觉感知、自然语言理解到机器人控制动作输出的全流程闭环。

2、多监督信号持续预训练：

在覆盖机器人操作与通用场景的多任务数据集上开展持续预训练，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，强化模型多模态感知与物理世界理解能力。

3、物理化动作序列建模：

引入动作块预测机制，同时施加前向与逆向动力学约束，对机器人动作序列进行统一建模，让模型深度理解机器人与物体间的物理交互动态，支撑长程动作规划与精准决策。

4、语义-空间精准对齐：

通过深度融合文本指令与2D/3D空间细节信息，建立语义逻辑与几何空间的精准映射对齐，显著提升模型空间感知与几何理解能力，充分满足机器人操作任务对指令理解和空间推理的双重核心要求。

UnifoLM-VLA-0应用场景：

1、家庭服务场景：

驱动人形机器人执行整理桌面、折叠毛巾、擦拭桌面污渍等日常家务操作，替代人工完成基础家务，提升生活便捷性。

2、办公辅助场景：

实现收拾文具、整理办公书包、办公工具归位等办公环境维护工作，助力打造整洁的办公空间，提升办公效率。

3、医疗健康场景：

支持开启药瓶、分装药品等精细操作，为医疗护理、居家康养提供辅助，弥补精细操作人工缺口。

4、教育培训场景：

可完成按颜色分类物品、堆叠积木等结构化认知教学演示，通过机器人实操直观展示认知逻辑，适配教育教学、儿童启蒙等场景。

5、工业分拣场景：

实现按规则将水果、工业零件等物品分类放置到指定区域，完成自动化分拣作业，提升工业生产、农产品加工等场景的分拣效率。

进入UnifoLM-VLA-0官网入口