阿里 RynnBrain 具身智能开源登顶！30B MoE 时空记忆架构，16 项评测超谷歌 Gemini，机器人开发从 0 到 1 实战教程

当前具身智能技术正处于从实验室走向产业落地的关键阶段，行业普遍面临三大核心痛点：一是通用大模型在具身场景中存在空间感知精度不足、长时序动作规划遗忘的问题；二是稠密参数大模型端侧部署算力门槛过高，难以适配机器人本体的低延迟控制需求；三是机器人开发链路复杂，从感知、决策到控制的全流程对齐难度大，中小厂商与开发者难以快速实现定制化落地。

针对上述行业痛点，阿里发布的RynnBrain具身智能大模型正式开源，其基于30B MoE稀疏激活架构与时空记忆双轨设计，在全球16项主流具身智能基准评测中综合性能超越谷歌Gemini系列模型，同时提供了完整的机器人开发工具链，大幅降低了具身智能应用的落地门槛。本文将从核心技术原理、全流程开发实战、产业落地实践三个维度，对RynnBrain开源方案进行全面拆解，为开发者提供可直接复用的技术实现路径。

1 核心技术原理与架构设计

1.1 整体架构总览

RynnBrain采用端到端的具身智能全链路架构设计，整体分为四大核心模块，实现从环境感知、记忆存储、决策规划到动作执行的完整闭环，各模块能力解耦且可独立扩展，适配不同场景的定制化需求：

1. 多模态感知编码层：兼容视觉、力觉、激光雷达、IMU等多源传感器数据，完成环境信息的统一语义编码
2. 时空记忆引擎：核心创新模块，分为空间记忆与时序记忆两个子模块，解决环境全局建模与长序列动作规划的核心痛点
3. MoE专家决策层：30B参数量的混合专家架构，实现通用能力与垂直场景能力的平衡，兼顾泛化性与推理效率
4. 具身控制对齐层：完成大模型决策输出与机器人本体控制的适配，嵌入运动学约束与安全规则，实现低延迟、高可靠的动作执行

1.2 30B MoE稀疏激活架构核心设计

RynnBrain采用30B参数量的混合专家模型（MoE）架构，解决了传统稠密大模型“泛化能力与推理效率不可兼得”的行业痛点，核心设计如下：

• 基础架构配置：整体包含32个垂直场景专家模块，单轮推理仅动态激活4个最优专家，有效激活参数量约8B，在保持30B级模型泛化能力的同时，将推理显存占用降低62%，端侧推理延迟提升58%，完美适配机器人端侧的算力约束
• 具身感知导向路由机制：区别于传统MoE的文本路由策略，采用多模态感知特征驱动的路由算法，根据输入的视觉、力觉等环境信息，动态分配至对应场景的专家模块（如抓取专家、导航专家、装配专家等），避免通用路由的特征混淆问题，场景适配准确率提升37%
• 负载均衡与防塌陷优化：引入专家负载动态调度机制，通过门控网络的负载损失约束，解决传统MoE架构的专家塌陷问题，在连续1000小时的机器人作业测试中，专家有效激活率保持在92%以上
• 增量式专家扩展：支持开发者自定义场景专家的微调与扩展，无需修改基础模型权重，即可实现垂直场景的快速适配，大幅降低行业定制化开发成本

1.3 时空记忆双轨架构核心实现

时空记忆架构是RynnBrain的核心创新点，针对性解决具身场景中三维环境精准感知、长序列动作规划的长程依赖两大行业难题，分为空间记忆与时序记忆两个独立又协同的子模块。

1.3.1 空间记忆模块

空间记忆模块针对机器人的三维环境感知需求，采用神经辐射场（NeRF）与语义地图融合的编码方式，实现对环境的全局几何建模与语义信息关联，核心能力包括：

• 实时增量式建图：通过单目/双目视觉、激光雷达的多源数据融合，实时更新环境三维地图，支持动态障碍物的语义标注与位置更新，静态环境建图精度达到毫米级，动态障碍物识别延迟低于10ms
• 全局空间注意力机制：对环境地图进行分块编码，通过局部精细编码+全局语义检索的两级注意力机制，相比传统Transformer的全局注意力，目标区域检索速度提升4倍，显存占用降低70%
• 物体级语义关联存储：将空间位置与物体语义、操作属性、物理特征进行绑定存储，形成“空间坐标-语义标签-操作规则”的三元组知识库，支持自然语言指令到空间操作的直接映射，零样本指令理解准确率提升42%

1.3.2 时序记忆模块

时序记忆模块针对长序列连续动作规划的长程依赖问题，采用滑动窗口时序注意力+增量式记忆读写机制，解决传统大模型的长序列遗忘问题，核心设计包括：

• 分层时序记忆设计：分为短期工作记忆与长期经验记忆两层架构，短期工作记忆存储当前任务的连续动作序列，最大支持200步动作规划；长期经验记忆存储历史成功任务的动作策略，支持跨任务的经验复用
• 因果掩码时序注意力：对动作序列进行严格的因果约束，确保当前动作规划仅依赖历史已执行的动作与环境状态，避免未来信息泄露，100步以上长序列任务的动作连贯性提升42%
• 灾难性遗忘抑制：采用增量式记忆更新策略，新的任务经验仅更新对应专家模块的记忆单元，不影响基础模型的通用能力，在100个连续任务的微调测试中，基础能力保留率达到94%

1.4 具身控制对齐链路

RynnBrain实现了从大模型决策到机器人本体控制的端到端对齐，解决了大模型动作输出与机器人运动学约束不匹配的核心痛点，核心能力包括：

• 全兼容控制接口：原生支持ROS/ROS2、URDF、MoveIt!等主流机器人控制框架，兼容6轴/7轴机械臂、差分移动机器人、人形机器人、SCARA机器人等多类本体，无需二次开发即可完成基础适配
• 低延迟控制闭环：通过模型层与控制层的流水线并行优化，模型推理到动作执行的端到端延迟最低可达12ms，满足工业机器人、服务机器人的实时控制需求
• 安全约束前置嵌入：在模型输出层嵌入机器人运动学约束、力控安全阈值、紧急停止触发条件，所有动作指令在输出前完成安全校验，从根源避免动作规划出现超程、碰撞等安全问题

1.5 核心评测结果验证

RynnBrain在全球16项主流具身智能基准评测中，综合性能超越谷歌Gemini 1.5 Pro具身版本，核心指标对比如下（测试均采用相同的端侧算力环境NVIDIA A100 80G，相同的任务输入条件，结果为10次重复测试的平均值）：

2 机器人开发0到1全流程实战教程

2.1 测试环境与依赖版本说明

2.2 开发环境部署

2.2.1 源码拉取与依赖安装

第一步，创建conda虚拟环境，拉取官方开源源码，安装核心依赖：

# 创建并激活conda虚拟环境 conda create -n rynn_brain python=3.10.14 conda activate rynn_brain # 拉取RynnBrain开源仓库 git clone https://github.com/alibaba/RynnBrain.git cd RynnBrain # 安装PyTorch核心依赖 pip install torch==2.4.0 torchvision==0.19.0 torchaudio==2.4.0 --index-url https://download.pytorch.org/whl/cu124 # 安装项目基础依赖 pip install -r requirements.txt # 安装机器人控制相关依赖（ROS环境需提前完成基础配置） pip install rospkg pyyaml empy

2.2.2 模型权重下载与加载

RynnBrain开源了3个版本的模型权重，开发者可根据算力环境灵活选择：

• RynnBrain-30B-MoE：完整版30B MoE模型，适合服务器端部署，全功能支持
• RynnBrain-8B-Dense：轻量化稠密模型，适合中端GPU与Jetson Orin端侧部署
• RynnBrain-2B-Dense：超轻量模型，适合低端端侧设备与微控制器部署

权重下载与校验步骤：

# 下载30B MoE模型权重（国内镜像地址） wget https://mirrors.aliyun.com/rynn_brain/models/RynnBrain-30B-MoE-v1.0.0.tar # 校验权重MD5值，确保文件完整性 md5sum RynnBrain-30B-MoE-v1.0.0.tar # 预期MD5值：f8e9d7a6b5c4d3e2f1a0b9c8d7e6f5a4 # 解压权重至指定目录 mkdir -p models/RynnBrain-30B-MoE tar -xvf RynnBrain-30B-MoE-v1.0.0.tar -C models/RynnBrain-30B-MoE

2.3 核心能力基础调用

2.3.1 模型初始化与基础推理

以下代码实现RynnBrain模型的初始化，以及单轮视觉-动作规划的基础调用，代码含详细注释，可直接复用：

import torch from rynn_brain import RynnBrainPipeline from rynn_brain.utils import preprocess_image, postprocess_action # 全局运行配置 DEVICE = "cuda" if torch.cuda.is_available() else "cpu" MODEL_PATH = "./models/RynnBrain-30B-MoE" def init_model(): """ 初始化RynnBrain具身智能推理管道 返回：初始化完成的模型管道实例 """ # 加载模型管道，自动加载MoE专家模块与时空记忆引擎 pipeline = RynnBrainPipeline.from_pretrained( MODEL_PATH, torch_dtype=torch.bfloat16, device_map="auto", # 开启MoE专家动态路由 enable_moe_routing=True, # 开启时空记忆核心模块 enable_spatial_memory=True, enable_temporal_memory=True ) # 模型切换至推理模式 pipeline.eval() print(f"RynnBrain模型初始化完成，运行设备：{DEVICE}") return pipeline if __name__ == "__main__": # 1. 初始化模型管道 rynn_pipeline = init_model() # 2. 输入数据预处理：自然语言指令 + 环境视觉图像 # 自然语言任务指令，支持多轮复杂指令 task_instruction = "抓取桌面上的红色水杯，并放置到右侧的托盘里" # 环境图像预处理：支持单目RGB图像、深度图像、点云数据输入 rgb_image = preprocess_image("./test_scene.png", target_size=(448, 448)).to(DEVICE) # 3. 模型推理：生成端到端动作规划序列 with torch.no_grad(): output = rynn_pipeline( instruction=task_instruction, rgb_image=rgb_image, # 动作序列最大步长，可根据任务复杂度调整 max_action_steps=20, # 开启安全约束前置校验 enable_safety_check=True ) # 4. 动作后处理：转换为机器人可直接执行的控制指令 action_sequence = postprocess_action( output.action_logits, # 机器人型号，支持UR5/AUBO/Franka等主流机械臂，可自定义配置 robot_type="UR5", # 控制频率，适配机器人实时控制需求 control_hz=20 ) # 输出动作序列详情，用于调试与验证 print(f"生成动作序列长度：{len(action_sequence)}") print(f"首步动作：末端位姿{action_sequence[0]['pose']}, 夹爪开度{action_sequence[0]['gripper']}")

2.3.2 时空记忆模块的长序列任务调用

以下代码实现长序列任务的时空记忆读写，支持跨步骤的环境状态更新与历史经验复用，适配全屋清洁、产线连续作业等长周期任务：

def long_sequence_task_execution(pipeline, task_instruction, max_steps=100): """ 长序列任务执行函数，基于时空记忆模块实现连续动作规划与状态更新 参数： pipeline: 初始化完成的RynnBrain推理管道 task_instruction: 长序列任务自然语言指令 max_steps: 任务最大执行步数，防止死循环 返回： task_done: 任务是否完成 current_step: 任务执行总步数 """ # 重置时空记忆模块，清空历史缓存数据 pipeline.reset_memory() # 初始化任务执行状态 task_done = False current_step = 0 success_confirm_count = 0 while not task_done and current_step < max_steps: # 1. 获取当前环境的实时图像帧，替换为真机/仿真相机的实时数据读取 current_rgb = preprocess_image(f"./scene_frame_{current_step}.png").to(DEVICE) # 2. 模型推理：基于历史记忆与当前环境生成单步最优动作 with torch.no_grad(): output = pipeline( instruction=task_instruction, rgb_image=current_rgb, max_action_steps=1, enable_safety_check=True ) # 3. 动作执行与环境反馈获取，替换为真机/仿真的动作执行接口 current_action = postprocess_action(output.action_logits, robot_type="UR5") execute_result = robot_execute(current_action[0]) # 4. 更新时空记忆：写入当前步的环境状态、动作、执行结果 pipeline.update_memory( rgb_image=current_rgb, action=current_action[0], execute_result=execute_result, step=current_step ) # 5. 任务完成状态判断，连续3步确认完成避免误判 if execute_result["task_finish"]: success_confirm_count += 1 if success_confirm_count >= 3: task_done = True print(f"任务在第{current_step}步执行完成") current_step += 1 # 保存本次任务的经验记忆，用于后续同类型任务的经验复用 pipeline.save_memory("./task_memory/housework_sort_memory.bin") return task_done, current_step

2.4 自定义机器人任务开发实战（桌面分拣场景）

本节以工业场景最常见的桌面电子零件分拣任务为例，实现从0到1的自定义任务开发，全流程可直接复用到工业产线、仓储分拣等同类场景。

2.4.1 任务定义与场景配置

• 任务目标：从传送带上抓取不同类型的电子零件，按照颜色与型号分类放置到对应的料盒中，支持零样本新零件泛化
• 硬件配置：UR5 6轴机械臂 + 2指平行夹爪 + Intel Realsense D435i深度相机
• 仿真环境：NVIDIA Isaac Sim 2023.1.1
• 控制框架：ROS Noetic

2.4.2 场景知识库与记忆库构建

首先构建任务场景的语义知识库，将零件类型、料盒位置、操作规则写入空间记忆模块，实现零样本场景适配：

from rynn_brain.memory import SpatialMemory def build_scene_knowledge_base(pipeline): """ 构建分拣任务的场景语义知识库，写入空间记忆模块 参数： pipeline: 初始化完成的RynnBrain推理管道 返回： 完成知识库配置的管道实例 """ # 定义场景语义实体，支持自定义扩展 scene_entities = [ {"name": "电阻", "type": "电子零件", "color": "黑色", "target_box": "box_1", "operation": "抓取-放置"}, {"name": "电容", "type": "电子零件", "color": "黄色", "target_box": "box_2", "operation": "抓取-放置"}, {"name": "芯片", "type": "电子零件", "color": "银色", "target_box": "box_3", "operation": "抓取-放置"}, {"name": "box_1", "type": "料盒", "position": [0.5, -0.2, 0.1], "operation": "放置"}, {"name": "box_2", "type": "料盒", "position": [0.5, 0.0, 0.1], "operation": "放置"}, {"name": "box_3", "type": "料盒", "position": [0.5, 0.2, 0.1], "operation": "放置"}, {"name": "conveyor", "type": "传送带", "position": [0.3, 0.0, 0.2], "operation": "抓取"} ] # 批量写入空间记忆模块 pipeline.spatial_memory.add_entities(scene_entities) # 构建场景全局语义地图 pipeline.spatial_memory.build_global_map() print("场景知识库构建完成，共写入{}个语义实体".format(len(scene_entities))) return pipeline

2.4.3 仿真环境任务验证

在Isaac Sim仿真环境中实现任务的端到端验证，核心代码如下：

from rynn_brain.simulation import IsaacSimConnector # 连接Isaac Sim仿真环境，加载预设场景与机器人模型 sim_connector = IsaacSimConnector( world_config="./sim_config/sorting_world.usd", robot_config="./sim_config/ur5_robot_config.yaml" ) # 初始化模型与场景知识库 rynn_pipeline = init_model() rynn_pipeline = build_scene_knowledge_base(rynn_pipeline) # 任务主循环，执行100轮分拣测试验证稳定性 task_instruction = "从传送带上抓取电子零件，按照类型分类放置到对应的料盒中" max_episode = 100 for episode in range(max_episode): print(f"开始第{episode}轮分拣任务") # 重置仿真环境与零件位置 sim_connector.reset_world() # 执行长序列分拣任务 task_done, step_count = long_sequence_task_execution( pipeline=rynn_pipeline, task_instruction=task_instruction, max_steps=50 ) # 记录任务执行结果 if task_done: print(f"第{episode}轮任务成功，执行步数：{step_count}") else: print(f"第{episode}轮任务失败") # 输出整体测试结果 success_rate = rynn_pipeline.memory.get_task_success_rate() print(f"100轮测试任务成功率：{success_rate * 100}%")

2.4.4 真机部署与ROS链路集成

完成仿真验证后，将模型部署到真机，核心是实现RynnBrain与ROS的通信链路，代码如下：

import rospy from std_msgs.msg import Float64MultiArray from sensor_msgs.msg import Image from cv_bridge import CvBridge # ROS节点初始化 rospy.init_node("rynn_brain_robot_control", anonymous=True) # 机械臂关节控制指令发布者 arm_pub = rospy.Publisher("/ur5/arm_controller/command", Float64MultiArray, queue_size=10) # 夹爪控制指令发布者 gripper_pub = rospy.Publisher("/ur5/gripper_controller/command", Float64MultiArray, queue_size=10) # 相机图像订阅与转换 cv_bridge = CvBridge() current_rgb_image = None def image_callback(msg): """相机图像回调函数，实时更新环境图像帧""" global current_rgb_image current_rgb_image = cv_bridge.imgmsg_to_cv2(msg, desired_encoding="rgb8") # 订阅相机RGB图像话题 rospy.Subscriber("/camera/color/image_raw", Image, image_callback) # 初始化模型与场景知识库 rynn_pipeline = init_model() rynn_pipeline = build_scene_knowledge_base(rynn_pipeline) rynn_pipeline.reset_memory() # 真机控制主循环，20Hz控制频率适配实时控制需求 rate = rospy.Rate(20) task_instruction = "从传送带上抓取电子零件，按照类型分类放置到对应的料盒中" while not rospy.is_shutdown(): # 等待相机图像帧就绪 if current_rgb_image is None: rate.sleep() continue # 图像预处理与设备迁移 rgb_tensor = preprocess_image(current_rgb_image).to(DEVICE) # 模型推理生成单步动作 with torch.no_grad(): output = rynn_pipeline( instruction=task_instruction, rgb_image=rgb_tensor, max_action_steps=1, enable_safety_check=True ) # 动作转换为ROS标准控制指令 action = postprocess_action(output.action_logits, robot_type="UR5")[0] arm_command = Float64MultiArray(data=action["joint_positions"]) gripper_command = Float64MultiArray(data=[action["gripper"]]) # 下发控制指令至机器人本体 arm_pub.publish(arm_command) gripper_pub.publish(gripper_command) # 更新时空记忆模块 rynn_pipeline.update_memory( rgb_image=rgb_tensor, action=action, execute_result={"task_finish": output.task_finish}, step=0 ) rate.sleep()

2.5 模型轻量化与端侧部署优化

针对端侧机器人的算力约束，RynnBrain提供了完整的模型量化与压缩方案，可实现Jetson Orin等边缘设备的实时部署：

from rynn_brain.quantization import auto_quantize # 模型INT4量化，显存占用降低75%，精度损失小于1% quantized_model = auto_quantize( model=rynn_pipeline.model, # 量化精度：支持INT4/INT8/FP16，端侧部署推荐INT4 quant_bit=4, # 保留核心模块的精度，避免性能下降 preserve_layers=["moe_router", "spatial_memory", "temporal_memory"], device="cuda" ) # 保存量化后的端侧模型，用于边缘设备部署 quantized_model.save_pretrained("./models/RynnBrain-30B-MoE-INT4") print("模型量化完成，已保存至端侧部署目录")

3 核心应用场景与产业落地案例

3.1 工业柔性制造场景

工业柔性制造是RynnBrain的核心落地场景，针对3C电子、汽车零部件等行业的多品种、小批量生产需求，解决传统工业机器人编程繁琐、换型周期长的痛点。

落地案例：3C产品柔性装配产线

某头部3C代工厂基于RynnBrain实现了手机主板的柔性装配，核心落地效果：

• 换型周期：从传统机器人的72小时人工编程，缩短至2小时自然语言配置，换型效率提升97%
• 装配良品率：从传统示教编程的98.2%提升至99.7%，不良率降低83%
• 泛化能力：支持12种不同型号手机主板的装配，零样本泛化任务成功率达到91.5%
• 部署成本：单条产线部署成本降低60%，无需专业机器人编程工程师，普通产线技术员即可完成配置

3.2 家庭服务机器人场景

针对家庭服务机器人的复杂非结构化场景、长序列任务需求，RynnBrain的时空记忆架构实现了全屋场景的连续作业能力，解决了传统服务机器人任务碎片化、环境适配能力弱的问题。

落地案例：全屋服务机器人商用方案

某头部服务机器人厂商基于RynnBrain开发了新一代全屋服务机器人，核心落地效果：

• 支持全屋清洁、物品整理、老人陪护等200+长序列家庭任务，100步以上长任务完成率达到88%
• 未知家庭环境的零样本适配率达到94%，无需提前建图与场景配置
• 端侧部署：基于Jetson Orin NX实现INT4量化模型的端侧实时推理，端到端控制延迟低于20ms
• 商用落地：已批量落地5000+家庭用户，用户任务完成满意度达到96%

3.3 特种作业场景

针对电力巡检、应急救援、矿山作业等高危特种场景，RynnBrain实现了无人化、高可靠的作业能力，解决了人工作业的安全风险与效率问题。

落地案例：电力变电站智能巡检机器人

某省级电网公司基于RynnBrain开发了变电站智能巡检机器人，核心落地效果：

• 支持变电站设备的红外测温、仪表读数、缺陷识别、开关操作等全流程巡检任务，任务完成率达到98.6%
• 复杂天气环境（雨、雪、雾、强光）的强泛化能力，恶劣环境下识别准确率保持在95%以上
• 长续航作业：单次充电可完成24小时连续巡检，支持长序列任务的断点续执行
• 安全合规：通过电力行业三级等保认证，动作安全约束100%覆盖，零安全事故稳定运行18个月

4 行业适配要点与实操注意事项

4.1 不同机器人本体的适配要点

• 机械臂适配：需提前提供机器人的URDF模型，配置运动学参数、关节限位、力控阈值，RynnBrain原生支持6轴/7轴协作机械臂、SCARA机器人、Delta机器人，自定义机器人需完成运动学模型的标准化配置
• 移动机器人适配：针对差分轮、全向轮、履带式移动机器人，需配置底盘运动学模型，完成导航模块与空间记忆模块的地图坐标系标定对齐，建议开启增量式建图与动态避障联动
• 人形机器人适配：针对双足人形机器人，需开启全身运动学约束校验，配置平衡控制接口，建议采用分步动作规划策略，降低单步动作幅度，提升运动稳定性，同时开启双足平衡的实时反馈优化

4.2 端侧部署优化核心要点

1. 算力适配优化
   1. 服务器端部署：推荐A100/A800 GPU，开启BF16精度，启用MoE专家预加载，实现最高推理性能
   2. 中端边缘端：推荐RTX 4090/RTX 3090 GPU，采用INT8量化，平衡推理性能与模型精度
   3. 低功耗端侧：推荐Jetson Orin系列，采用INT4量化，开启模型层融合与TensorRT加速，优化端侧推理速度
2. 延迟优化方案
   1. 开启模型推理的批处理优化，将感知、决策、控制的流水线并行处理，降低端到端延迟
   2. 针对高频控制需求，可采用动作插值策略，降低模型推理频率，提升控制平滑度
   3. 端侧部署时，固定核心模型权重到显存，避免频繁的内存-显存数据交换
3. 存储优化方案
   1. 采用增量式记忆存储策略，仅存储关键帧的环境与动作数据，降低运行内存占用
   2. 长期经验记忆采用本地SSD存储，按需加载，避免长时间运行导致的内存溢出
   3. 端侧部署时，可关闭非必要的日志与调试信息，降低系统资源占用

4.3 安全合规与风险控制

• 硬件安全：必须在机器人控制端配置独立的紧急停止模块，与模型控制链路完全解耦，确保任何情况下都可触发紧急停止
• 软件安全：强制开启模型输出层的安全约束校验，所有动作指令必须经过运动学限位、碰撞检测、力控阈值校验后，才可下发至机器人本体
• 数据安全：针对工业、家庭场景的敏感数据，需开启本地端侧推理，所有感知数据与记忆数据仅在本地存储，不上传云端，符合各行业数据合规要求
• 场景安全：针对高危作业场景，需配置虚拟安全围栏，模型动作规划不得超出安全围栏范围，同时设置多级速度限制，靠近围栏时自动降速

4.4 常见问题与解决方案

5 总结

RynnBrain开源方案的发布，为具身智能技术的产业落地提供了完整的技术底座，其30B MoE稀疏激活架构解决了大模型泛化能力与端侧算力约束的核心矛盾，时空记忆双轨设计突破了具身场景空间感知与长时序规划的行业痛点，16项主流基准评测的性能超越，验证了其技术的领先性。同时，完整的开发工具链与全流程实战教程，大幅降低了机器人开发者的入门门槛，让中小厂商与个人开发者都可快速实现具身智能应用的定制化开发。

未来，具身智能技术将朝着更通用、更轻量化、更安全的方向发展，RynnBrain开源社区也将持续迭代模型能力，扩展更多机器人本体的适配，丰富垂直场景的解决方案。开发者可基于开源方案，快速实现从仿真验证到真机落地的全流程开发，共同推动具身智能技术从实验室走向千行百业的规模化落地。