星尘智能发布具身基础模型Lumo-2，机器人动作更快更准

背景

具身智能领域正从单一技能演示向系统性工程化方向演进。7 月 15 日，具身智能创业企业星尘智能（Star Dust Intelligence）发布第二代具身基础模型 Lumo-2，以及面向长期人机共处的物理 AI 智能体 Philia。这两项发布分别对应其技术框架中的「AI 模型」与「具身 OS」，与公司的绳驱机器人本体共同构成「AI 模型—具身 OS—绳驱本体」三层体系。在传统 VLA（视觉–语言–动作）模型仍以直接映射方式驱动机器人时，星尘智能试图通过引入隐式世界动态预测，改善机器人对物理变化的理解和动作生成效率，同时构建跨机器人的长期服务系统。

核心内容

Lumo-2 被星尘智能称为「家庭隐式世界—动作模型」（Latent World-Action Model）。其核心思路是在观察与动作之间加入一层「潜在世界动态」：模型先在压缩的隐空间中预测与任务有关的未来物理变化（如物体移动方向、容器是否倾倒、手与物体的接触状态等），再根据这份预测生成动作。这种预测并非生成完整视频（避免高算力消耗），而是保留与行动相关的「未来草稿」，使得 Lumo-2 位于传统 VLA 和完整视频世界模型之间——既保留了「先预测后行动」的思路，又将预测限制在更轻量、更接近控制需求的隐空间。

与上一代 Lumo-1 依赖显式文本推理不同，Lumo-2 将推理转移到隐空间，旨在减少 token 生成的同时捕捉更连续的时空变化。例如在倒水任务中，透明水倒出前后单帧图像可能非常相似，Lumo-2 通过引入短期动作历史（此前做了什么）来避免状态混淆。它还重新处理了动作表征，采用三阶段渐进式训练：

1. 第一阶段：让动作与视觉世界变化对齐，从前后帧视觉变化中筛选物理运动信息，用动作约束视觉表示，减少无关因素干扰。
2. 第二阶段：将动作与视觉和语言对齐，使动作 token 具有「拿起杯子」「继续倾倒」等语义关系，训练任务包括动作描述、动作预测、世界动态预测及一致性判断。
3. 第三阶段：将视觉语言数据、互联网视频、第一人称人类视频和机器人数据联合训练，让模型同时学习世界知识、物理变化和动作生成。

为满足实时控制，Lumo-2 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。在覆盖 22 项家庭任务（包括接球、倒水、煎蛋、打蝴蝶结、整理行李箱等）的实验中，Lumo-2 在时序推理、物理理解、动态场景、高精度等类别上整体优于 π0.5 和 Fast-WAM 等基线，且在未见语言指令和未见物体条件下成功率更高。

物理 AI 智能体 Philia 则解决「用户如何获得良好体验」的问题。它不直接操控机器人，而是将机器人定义为智能助理可调用的「物理执行者」。其架构分三层：用户界面层（飞书、微信、语音、网页等）、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、轨迹执行和安全控制）。关键连接组件是 Robot Gateway（机器人网关），每台机器人通过网关公开标准能力（如观察场景、执行操作、导航等），类似软件 API——底层策略可替换，上层交互不变。Philia 支持长期记忆，例如记住用户早餐偏好，后续只需说「把平时早餐吃的食物放进托盘」即可。它还支持多台机器人统一管理，用户可同时给不同机器人下达任务，但始终与同一个助理身份交互。

关键要点

• Lumo-2 在 VLA 和视频世界模型之间折中：通过隐空间预测物理变化（而非完整像素），兼顾轻量性和预测能力，称为「隐式推理」（latent reasoning）。
• 引入短期动作历史解决单帧状态混淆问题，例如透明水倒水任务中判断是否继续倾倒。
• 动作表征重新设计：认为单纯还原轨迹不够，需让动作 token 具备语义关系；采用三阶段渐进训练对齐动作、视觉、语言和世界知识。
• 分块自回归生成显著降低延迟（253.66 ms → 93.53 ms），满足实时控制需求。
• Philia 通过 Robot Gateway 标准化机器人能力接口，使上层交互、记忆和任务系统与底层策略解耦，便于升级。
• 长期记忆是 Philia 区别于普通控制系统的重要特征：系统可存储用户偏好（如早餐习惯），实现个性化任务执行。
• 多机器人统一管理：用户与同一智能体交互，智能体可将不同任务分派给不同机器人，并追踪执行状态，即「统一身份、多本体」设计。

意义与影响

Lumo-2 与 Philia 的同时发布，标志着具身智能从单一技能演示进入「系统工程」阶段。Lumo-2 向下深入——研究机器人如何通过隐式世界动态理解物理变化、利用更多数据并生成更稳定动作；Philia 向上扩展——研究如何将操作模型、导航、记忆、交互和多台机器人整合为长期服务用户的系统。两者互补，构成机器人「硬件性能」与「系统体验」的二元支撑。对于行业而言，这意味着进入家庭场景的准入门槛不再是一段漂亮的演示视频，而是一套可持续升级、可被打断、能够记忆并对真实世界负责的完整系统。这种「模型 + OS + 本体」的三层架构，也为具身智能未来的标准化和规模化提供了参考路径。