地瓜机器人发布世界模型Uranus：不做大脑做裁判，瞄准具身智能评测与仿真

事件概述

地瓜机器人（由地平线分拆）发布世界模型「Uranus」，其定位并非具身智能的“大脑”，而是作为机器人开发的基础设施——一个同时具备benchmark评测和仿真训练能力的平台。Uranus目前主要面向manipulation（操作）领域，旨在解决当前具身赛道中评测公信力不足以及sim-to-real gap两大痛点。

核心能力

• 作为benchmark裁判：区别于传统真机评测（效率低、难复现）和仿真评测（sim-to-real gap大），Uranus可根据模型输出的动作逐帧生成环境反馈，输出成功率、轨迹偏差等指标。其评测分数与实际场景能力呈正相关，且迭代效率高、变量可控、可稳定复现。团队目标将其打造成业内最具公信力的评测基准之一。
• 作为仿真训练场地：Uranus不是传统手工构建3D场景的物理仿真器，而是从数据中学习环境演化规律——给定参考图像、关节状态、相机参数和文本描述后，直接生成下一帧画面。它采用 帧级闭环 技术：每次只生成下一帧，新帧进入历史窗口后与下一步动作一起作为输入，支持实时交互式控制（类似游戏而非预渲染视频）。尽管训练时仅见过2秒短片段，推理时能稳定运行60秒并保持画质。
• 跨具身零样本泛化：支持G1人形机器人、Franka协作臂等多本体，用户无需为不同硬件重复搭建评测环境。
• 当前限制：仅支持操作（manipulation）训练，尚未支持运动控制（locomotion），因为缺少触觉、摩擦力、电机信号等模态数据。

关键技术难点与团队策略

团队指出，做基础设施比做具身大脑更难：需要像素级生成、跨视角一致性（多个相机实时对齐）和帧级闭环处理。而项目三分之二精力投入在infra和数据工程上。

• infra方面：PB级数据需分层存储；算力短缺时设计跨云协调方案；高分辨率长视频需多卡并行计算。团队强调“没有infra就不要谈大模型”，但具身行业对此重视仍不足。
• 数据方面：目前使用几百小时开源数据，但存在丢帧、动作-画面不匹配、相机未标定等问题。通过清洗和标定修正，成功率即可提升数十个百分点。团队认为当前关键在于数据质量与多样性而非单纯堆数量（计划下半年扩至数千小时，明年达数万至十几万小时级别），并指出“模型决定下限，数据决定上限”。

值得关注

• Uranus的推出反映具身智能行业从卷“大脑”向构建标准化基础设施的转变，尤其为模型评测提供更客观、可复现的标尺。
• 帧级闭环技术克服了视频生成模型的误差累积难题，且能实现可交互的仿真环境，这可能为后续sim-to-real迁移提供更优路径。
• 地瓜机器人定位为“机器人界的英伟达”，Uranus作为其生态中的评测与训练环节，与芯片方案、开发工具形成协同。