安努智能发布六款模型，构建具身智能工业落地全栈闭环

事件概述

专注工业具身智能商业化落地的安努智能（Annu Intelligence）近期一口气发布了六款核心模型与系统，分别指向数据生成、认知理解、训练进化、动作执行和端到端部署环节。这一系列产品旨在解决具身智能从实验室Demo到真实工业产线批量部署之间的断层问题，特别是针对工业场景中重复度高、任务边界固定的特点，构建了一套完整的“认知-执行-稳定运行”技术闭环。

核心信息：六大模型与技术体系拆解

安努智能发布的六款模型构成了一个从底层数据到上层部署的全链路解决方案：

1. 数据生成层：Helios 与 SimLab

   • Helios（实时长视频生成模型）：采用创新底层架构，能在单张H100 GPU上实现19.5 FPS的推理速度，支持分钟级长视频实时生成。其解决的长时序建模与高效生成能力，已成为多家头部具身智能团队的技术底座。
   • SimLab（软物体仿真平台）：针对物流分拣、包装中难以用传统物理引擎精确建模的软体物体，提供自研的软体和热学物理求解器。配合Isaac Sim搭建的合成数据工厂及Sim2Real迁移方法，实现了零真实标注下的全流程跑通，已应用于实际项目验收。

2. 认知判断层：ActiWorld

   • 世界模型的动作后果验证：不同于仅关注视觉真实性的世界模型，ActiWorld专注于让机器人对动作后果负责。通过逆动力学头、双向预测和运动加权三条训练约束，确保模型能准确分辨动作类型并预测未来状态。
   • 预演与纠偏：在实际测试中，ActiWorld对动作成败的判断偏差低于3.25%。例如在包裹分拣任务中，引入ActiWorld预演后，相对失败率降低了约13.6%，显著提升了决策准确性。

3. 训练进化层：RoHIL 与 EvoHIL

   • 抗干扰与自适应：这两代真机强化学习技术解决了光照变化、工位切换导致的模型失效问题。
     • RoHIL：通过重新打光模拟不同光照条件，使机器人在跨光照场景下保持100%的成功率，人工介入比例降至1.32%。
     • EvoHIL：赋予奖励模型、动作生成器和视觉感知自适应能力，无需人工离线重标数据即可适应新环境。同等规模部署下，整体成本降低约80%。

4. 动作执行层：AnuVerse-0.5

   • 工业垂类小模型：基于14B参数的Helios开发，采用MoT架构（视频专家预测画面、动作专家输出动作）。推理速度达到百毫秒级，可在桌面级显卡上运行，满足产线边缘计算的低延迟和高成本效益要求。

5. 部署调度层：Nexus

   • 端到端部署系统：统一调度不同品牌机器人和多种VLA/世界动作模型，具备快速部署、自主调度和资源汇聚优势。内置动作层面安全盾，并打通了SAP EWM和Joule等工厂生产管理系统，实现机器人嵌入原有管理流程。同时，产线运行数据可反哺底层数据基座，形成正向飞轮。

值得关注：部署经验成为核心壁垒

安努智能采取了区别于传统“先打磨基模再找场景”的路径，选择工程师深入富临精工等真实产线积累部署经验（FDE模式）。

• 数据护城河：高盛报告指出，柔性物体操作等任务本质无法完全仿真，来自真实产线的部署专有数据是长期护城河。安努通过“合成数据+真机回流校验”形成数据飞轮，沉淀了大量实验室难以复现的工程化Know-how。
• 商业化验证：相比追求通用AGI，安努聚焦垂直场景，基于开源基座进行微调与适配。目前，其在富临精工绵阳工厂的料箱搬运场景已获得批量订单，单班回本周期压缩至12-18个月，比传统工业机器人成本低40%以上，设备平均故障间隔时间超过300小时。

这一路径表明，具身智能的竞争焦点正从“谁的模型更聪明”转向“谁在真实产线里跑得更久、ROI更高”，部署经验与工程化能力将成为拉开身位的关键因素。