宇樹演示 UnifoLM-OminiA-0.3：全模態驅動全身操作，可自主調節病床

以前看人形機器人幹活，最怕空氣突然安靜——你讓它倒杯水，它先聽完指令，卡頓兩秒開始規劃路線，走到桌邊再調出另一個視覺模型對準水杯。

只要中間有人喊一句等等，機器人往往根本聽不見，或者直接報錯罷工。

宇樹科技最近公佈的具身智慧模型 UnifoLM-OminiA-0.3，想解決的就是這種各管一攤的笨拙感。他們放出的一段演示影片在 YouTube 上衝過了 160 萬播放，核心就一件事：用一個單一模型，把聽、看、說和全身活動全包圓了。

告別小模型拼裝車間

以往的人形機器人更像一個拼裝車間。語音識別接一個大語言模型，視覺檢測接一套演算法，底盤導航和雙臂操作又各自跑各自的控制模組。

這種結構不僅延遲高，各個系統交接時還特別容易掉鏈子。

這次宇樹釋出的 UnifoLM-OminiA-0.3 是個全模態一體化模型。它不需要在不同演算法之間來回切換，直接把自然語言理解、視覺感知、路徑規劃和全身協同操作塞進了同一個系統裡。

在演示中，機器人接連做了一連串家務和照護動作。比如把沙發墊拿起來擺好，識別顏色並在幾個盒子裡數出藥盒數量，從貨架上準確挑出指定的藥盒，甚至還能把髒衣服丟進洗衣籃、把盤子放進洗碗機。

更值得注意的一個細節是調病床。當機器人正在轉動搖桿調整病床高度時，測試人員突然在旁邊喊停，機器人立刻停手，沒有發生任何誤觸或動作延遲。

這種在動作執行過程中隨時接收反饋、即時響應打斷的能力，過去在多層拼湊的控制系統裡非常難做。

從低價硬體到開源生態

這套模型能跑起來，並不是宇樹突然掏出的魔法，而是沿著它此前的路線一步步迭代來的。

宇樹在 2025 年推過開源世界模型框架 UnifoLM-WMA-0，專門幫機器人理解物理互動和預測環境變化。到了 2026 年初，他們又開源了視覺語言動作模型 UnifoLM-VLA-0 的程式碼和權重。

與此同時，宇樹一直在收集並公開人類遙操作人形機器人做家務的全身資料集。這次演示裡的很多動作，其實就是此前資料集訓練成果的集中體現。

再加上不久前宇樹剛端出起售價 2.69 萬元人民幣（約 4290 美元）的上半身人形機器人，軟硬體兩頭都在快速壓低門檻。

為什麼重要

我們認為，宇樹這次最聰明的點，在於它沒有再去卷單純的後空翻或走梅花樁，而是直接切入了養老護理和康養這個最講求容錯率的場景。

在家庭或病房環境裡，機器人哪怕動作慢一點都沒關係，但絕對不能瞎撞，更不能在老人或病人呼喊時毫無反應。這種邊幹活邊聽指令、隨時能被人類打斷的能力，是家庭服務機器人從實驗室玩具走向實用工具的底線。

對行業來說，這也是具身智慧架構演進的一個縮影。從以前分步執行的流水線模式，轉向單一端到端全模態模型，已經成了各家頭部團隊的共識。如果宇樹後續繼續開放這套全模態架構，會讓那些做康養機械裝置和低成本硬體的團隊省掉大量重複造輪子的成本。

不過隱患也同樣明顯。實驗室裡擺放整齊的藥盒、乾淨的病床，和現實生活中雜亂無章的居民家庭完全是兩碼事。端到端模型在應對極端長尾情況時的不可解釋性，依然是醫療和照護場景裡最大的懸念。現在來看，它離真正進家全天候值班還有很長的路要走，但至少讓人看到了照護機器人該有的互動雛形。