宇树演示 UnifoLM-OminiA-0.3：全模态驱动全身操作，可自主调节病床

以前看人形机器人干活，最怕空气突然安静——你让它倒杯水，它先听完指令，卡顿两秒开始规划路线，走到桌边再调出另一个视觉模型对准水杯。

只要中间有人喊一句等等，机器人往往根本听不见，或者直接报错罢工。

宇树科技最近公布的具身智能模型 UnifoLM-OminiA-0.3，想解决的就是这种各管一摊的笨拙感。他们放出的一段演示视频在 YouTube 上冲过了 160 万播放，核心就一件事：用一个单一模型，把听、看、说和全身活动全包圆了。

告别小模型拼装车间

以往的人形机器人更像一个拼装车间。语音识别接一个大语言模型，视觉检测接一套算法，底盘导航和双臂操作又各自跑各自的控制模块。

这种结构不仅延迟高，各个系统交接时还特别容易掉链子。

这次宇树发布的 UnifoLM-OminiA-0.3 是个全模态一体化模型。它不需要在不同算法之间来回切换，直接把自然语言理解、视觉感知、路径规划和全身协同操作塞进了同一个系统里。

在演示中，机器人接连做了一连串家务和照护动作。比如把沙发垫拿起来摆好，识别颜色并在几个盒子里数出药盒数量，从货架上准确挑出指定的药盒，甚至还能把脏衣服丢进洗衣篮、把盘子放进洗碗机。

更值得注意的一个细节是调病床。当机器人正在转动摇杆调整病床高度时，测试人员突然在旁边喊停，机器人立刻停手，没有发生任何误触或动作延迟。

这种在动作执行过程中随时接收反馈、即时响应打断的能力，过去在多层拼凑的控制系统里非常难做。

从低价硬件到开源生态

这套模型能跑起来，并不是宇树突然掏出的魔法，而是沿着它此前的路线一步步迭代来的。

宇树在 2025 年推过开源世界模型框架 UnifoLM-WMA-0，专门帮机器人理解物理交互和预测环境变化。到了 2026 年初，他们又开源了视觉语言动作模型 UnifoLM-VLA-0 的代码和权重。

与此同时，宇树一直在收集并公开人类遥操作人形机器人做家务的全身数据集。这次演示里的很多动作，其实就是此前数据集训练成果的集中体现。

再加上不久前宇树刚端出起售价 2.69 万元人民币（约 4290 美元）的上半身人形机器人，软硬件两头都在快速压低门槛。

为什么重要

我们认为，宇树这次最聪明的点，在于它没有再去卷单纯的后空翻或走梅花桩，而是直接切入了养老护理和康养这个最讲求容错率的场景。

在家庭或病房环境里，机器人哪怕动作慢一点都没关系，但绝对不能瞎撞，更不能在老人或病人呼喊时毫无反应。这种边干活边听指令、随时能被人类打断的能力，是家庭服务机器人从实验室玩具走向实用工具的底线。

对行业来说，这也是具身智能架构演进的一个缩影。从以前分步执行的流水线模式，转向单一端到端全模态模型，已经成了各家头部团队的共识。如果宇树后续继续开放这套全模态架构，会让那些做康养机械设备和低成本硬件的团队省掉大量重复造轮子的成本。

不过隐患也同样明显。实验室里摆放整齐的药盒、干净的病床，和现实生活中杂乱无章的居民家庭完全是两码事。端到端模型在应对极端长尾情况时的不可解释性，依然是医疗和照护场景里最大的悬念。现在来看，它离真正进家全天候值班还有很长的路要走，但至少让人看到了照护机器人该有的交互雏形。