星尘智能发布具身基座模型 Lumo-2，引入隐式世界动态预测提升机器人动作精度

事件概述

2025年7月15日，具身智能创业企业星尘智能发布第二代具身基座模型 Lumo-2 以及面向长期人机共处的物理 AI 智能体 Philia。两项发布分别对应“AI 模型”与“具身 OS”，与公司绳驱机器人本体共同构成“AI 模型—具身 OS—绳驱本体”三层架构。

Lumo-2：隐式世界-动作模型

Lumo-2 被星尘智能称为“家庭隐式世界-动作模型”（Latent World-Action Model）。与传统 VLA（视觉-语言-动作）模型直接根据视觉和指令输出动作不同，Lumo-2 在观察与动作之间加入一层“潜在世界动态”：先在压缩的隐空间中预测与任务相关的未来物理变化，再根据预测生成动作。该预测不生成完整视频（避免像素重建的高成本），只保留与行动有关的变化，如物体移动方向、容器倾倒状态、手与物体接触情况等，可视为一份“面向行动的短期未来草稿”。

技术特点：

• 隐式推理：Lumo-1 依赖显式文本推理，将任务拆成文字步骤，存在推理延迟和表达容量限制。Lumo-2 将推理转移到隐空间，减少 token 生成并捕捉更连续的时空变化。
• 动作记忆：引入短期动作历史，避免单帧观察造成的状态混淆（如透明水杯倒水前后画面相似）。
• 动作表征重设计：不追求单纯重建原始轨迹，而是让动作 token 同时与视觉变化、语言语义对齐，理解“拿起杯子”“继续倾倒”等语义关系。
• 三阶段渐进式训练：第一阶段使动作与视觉世界变化对齐；第二阶段将动作与视觉、语言对齐；第三阶段联合训练多源数据。
• 低延迟：采用分块自回归生成，一次预测一组动作 token。论文数据显示，在单张 RTX 5090 上端到端延迟从约 253.66 ms 降至 93.53 ms。

覆盖任务与性能：Lumo-2 覆盖超 22 项家庭任务，包括接球、倒水、煎蛋颠锅、称小米、磨咖啡、打蝴蝶结、整理行李箱等。论文实验结果显示，在时序推理、物理理解、动态场景、长流程、高精度和灵巧操作等类别中，Lumo-2 整体优于 π0.5 和 Fast-WAM 等基线，且在未见语言指令和未见物体条件下任务成功率更高。

Philia：物理 AI 智能体系统

Philia 关注将模型能力整合为持续服务的系统。当前多数机器人围绕单次技能设计，无用户偏好记忆和多机协同。Philia 将机器人定义为智能助理可调用的“物理执行者”，结构如下：

• 用户层：飞书、微信、语音、网页等界面。
• Agent 控制平面：理解意图、调用记忆、拆解任务、选择机器人。
• 机器人本地运行时：感知、导航、模型推理、轨迹执行、安全控制。

关键组件是 Robot Gateway（机器人网关），每台机器人通过网关公开标准能力（观察、操作、导航、播报、状态查询、取消任务等），类似软件 API。上层升级无需修改底层。

Philia 支持长期记忆（如记住用户早餐偏好）和多机器人统一调度（如“Alice 整理桌面，Bob 提垃圾袋”），用户与同一个虚拟助理交互，多台机器人作为不同“身体”。

值得关注

Lumo-2 向下深入机器人对物理世界的理解机制，Philia 向上构建可长期服务的系统层。两者结合意味着具身智能开始从演示阶段进入系统工程阶段，可升级、可打断、有记忆、能对真实世界负责的完整系统成为准入条件。