超越π0，中国团队用1B参数模型登顶具身智能榜单
在全球具身智能领域，一个看似“小”的模型正在引发“大”震动。
近日，优艾智合研发的 FabriVLA 模型在 Evo-SOTA 公开榜单上，以 90.0% 的 tier-average 成功率 登顶 Meta-World MT50 基准测试。这一成绩不仅超越了包括 π0 在内的众多国际知名模型，更打破了“参数越大能力越强”的传统认知——作为一个仅 1B 级参数 的轻量化模型，它证明了在具身智能赛道，架构创新比单纯堆料更具价值。
轻量化背后的硬核逻辑：从“参数竞赛”到“架构竞赛”
Meta-World MT50 包含抓取、放置、开门、插拔等 50 个复杂任务，高度模拟工业场景的基本工序。FabriVLA 能在如此高难度的多任务测试中脱颖而出，并非依靠海量数据预训练或庞大参数量，而是源于其独特的神经网络架构设计。
两大核心创新
-
门控自注意力机制（Gated Self-Attention）
传统模型往往难以处理长序列动作的连贯性。FabriVLA 通过从零渐进打开的门控机制，让模型在预测动作序列时，能够前后互相“看见”并协同配合。这使得机器人在执行如复杂装配等需要精密时序衔接的任务时，动作更加流畅稳定。 -
深浅层视觉特征融合
机器人不仅要“认识”物体，更要“看懂”如何操作。该机制同时提取高层语义信息（识别物体是什么）和低层视觉细节（判断位置、姿态和边界）。消融实验显示，去掉这一模块，模型成功率将从 90.0% 骤降至 82.9%，足见其对精细操作的重要性。
这种“小模型、大智慧”的设计，不仅降低了推理成本，更让模型摆脱对云端算力的依赖，为边缘端部署奠定了基础。
从实验室到产线：FabriX 工业大脑的诞生
Benchmark 的第一名只是起点，工业现场需要的则是 7×24 小时不间断的稳定运行。为此，优艾智合进一步推出了工业具身智能大模型 FabriX，旨在解决具身智能落地的“不可能三角”：泛化性、稳定性与效率。
双重架构：Edge + Local
FabriX 没有走纯端到端的 VLA 路线，而是采用了分层协作架构：
- FabriX-Edge（边缘服务）： 类似“资深工程师”，基于 MoE 基座模型理解订单需求与工艺流程，负责全局规划与资源协调。
- FabriX-Local（本地执行）： 类似“现场师傅”，结合物理机理控制规则与可供性交互数据，确保底层执行的实时性与安全性。
关键技术突破
- 确定性先验蒸馏： 将过去 9 年在半导体、锂电等行业积累的工业感知算法（如几何信息、空间关系）注入模型。机器人不再仅凭像素推理，而是结合传统算法的精度，实现“泛化能力+工业标准”的双重保障。
- 约束锚定智能体： 为防止大模型“幻觉”，FabriX 将工艺规则转化为可验证的形式化约束，并引入专业求解器进行任务调度。所有输出指令需经过“模型推理+规则校验”的双回路检查，异常时可自我诊断与恢复。
“隙锋”人形机器人：让智能真正走进车间
模型能力的最终载体是硬件。优艾智合同步发布的工业原生人形机器人 “隙锋”，正是 FabriX 能力的物理延伸。
与传统追求全能的家庭机器人不同，“隙锋”专为工业效率设计：
* 快速上岗： 具备抓、取、握、拿等基础原子技能，现场采集少量数据即可适配新岗位。
* 自主进化： 工作时自动采集数据，以 24 小时为周期循环自训练，实现技能迁移。
* 专利护航： 搭载静流悬挂机构、自研 MAIC 毫秒级响应系统以及畅驭运动底盘，使其能在狭窄、复杂的工业通道中平稳穿梭。
结语：工业智能的“务实派”胜利
首发当日获得 4000 台意向订单，背后反映的是工业客户对技术的真实诉求：不比谁参数大，只比谁更好用。
优艾智合用 FabriVLA 登顶 SOTA、FabriX 构建工业基座、以及“隙锋”机器人的实地交付，勾勒出一条清晰的落地路径。在具身智能的分叉路口，他们选择了一条更务实的路：用真实场景数据构建护城河，用轻量化架构降低部署门槛，用确定性规则保障生产安全。
未来三年，随着 10000 个工业现场的赋能计划推进，这场由“小”模型引发的“大”变革，或许才刚刚开始。