华为云开源具身世界模型CloudRobo-WM1.2,两项评测登顶
本次华为云打出的三张牌,给具身智能行业带来了一些新的可能性。
(本文作者为 科技异端,钛媒体经授权发布)

具身世界模型这条赛道,到2026年已经挤满了人。
谷歌、英伟达在海外接连加码;国内智元、星海图、智源、腾讯、阿里也一个接一个下场。路线各有差别,但大家已经认准一件事:先让机器人看懂世界,再让它决定怎么动。行业媒体统计过,国内公开的世界模型有59个,全球公开入场的公司则有55家。
11月16日,
华为云“行业AI梦工厂”把昇腾原生的具身世界模型CloudRobo-WM1.2发布并开源。这个模型用共享世界模型骨干网络做预测增强的世界表征,又基于世界模型原生DualAct架构实现世界模型原生的动作生成,在RoboTwin 2.0和Libero Pro 2.0两项评测里都拿了第一。两项基准分别由多家国内顶级高校与科研机构推出,被业内看作世界模型的考场,全球顶级模型都曾在这里同台竞技、轮流登顶。华为云的说法是,这份成绩说明:用国产先进算力,同样能训出世界领先的具身世界模型。
发布会还宣布了两件事:CloudRobo-WM1.2的模型开源;训练框架工程代码和WAM昇腾算力代码库,向核心合作伙伴定向开放。前者图的是普惠,后者则是一道筛选门槛。这种深度的开放策略,在国产世界模型阵营里还没人做过。普通开发者这次拿到的不只是最新最强的世界模型,还有从复现到二次训练的完整起点;被选中的核心伙伴,则多了一套在国产算力上训练世界模型的完整工程方法。
发布会最大的亮点之一,是“昇腾原生”这四个字。世界模型是目前最吃算力栈的AI负载,此前全球顶级世界模型的完整训练链路,只在英伟达CUDA和谷歌TPU生态上跑通过。昇腾原生则意味着,从核心算子、训练框架到模型架构,整条链路都在国产算力上做了协同优化并真正跑通,相当于给国产算力安排了一次最高强度的公开验收。华为云还透露,华为昇腾云在具身智能市场的格局中位列中国第一,已有80%的中国具身智能企业选择昇腾云,重点高校基本实现全覆盖。

一场发布会,华为云亮出三张明牌:新晋登顶的开源具身世界模型、高度开放的具身智能开发生态,以及国产算力基座扛起最高负载的成色验证。三张牌凑到一起,华为云所说的“硅基黑土地”也就有了具体的形状。
世界模型的瓶颈
过去一年多,具身智能在舆论场上的热度几乎没降过。融资、发布会、Demo视频,一轮接一轮把外界预期抬高。可要是把演示画面暂停,翻几份模型的基准测试成绩单,看到的又是另一幅景象。
最直接的短板出在视觉上。眼下主流的视觉系统擅长说“此刻镜头里有什么”,却不擅长在信息残缺时做判断。遮挡一来,关键目标检测的得分马上从68%掉到28%;相机遮挡到中等程度,3D检测的mAP从35.6滑到20.9,四成多的精度就这么没了。计数任务上,视觉语言模型平均退步6.28%,个别模型的错误率甚至冲到32.5%。
镜头位置一挪同样要命。习惯了固定机位的模型碰上高位视角之类的变化,正确率就从62.72%坠到7.62%,跟闭着眼睛答差不多;就算用完全视角多样性去训练,也只有34.35%。
更深一层的短板藏在对运动的理解里。有模型对物体位置的理解接近满分(0.97/1),对“速度”的理解却很弱(仅0.42/1)。结果就是物理推理正确率只有19%。就算人为干扰它的速度编码,输出变化也不足5%。在IntPhys 2基准上,几乎所有模型都没够到60%的及格线,而人类受试者普遍能到96.44%。
感知之外,认知和行动之间的接缝也很粗糙。让模型“想清楚”和让机器人“来得及做”,眼下是两件互相拉扯的事:深度绑定的方案保住了物理直觉,响应速度却够不上实时控制的门槛;拆开跑的方案把延迟压进几十毫秒,又得靠额外的对齐模块去补成功率的缺口;折中的分层设计两头兼顾,代价是整套系统的复杂度和协同成本一起往上走。三条技术路线,没有一条能以低成本同时兑现判断质量和反应速度。
模型能力瓶颈的背后,压着一块共同的基石:数据。真机数据在业内被当成无可替代的标尺,投入产出比惊人,掺进10%就能明显拉升成功率。可它的采集成本在一小时500到2,000元之间,来源五花八门,完整标注更难批量完成。训练管线要是对模态齐全度卡得太死,存量的大量视频、动作轨迹和传感器记录就只能在硬盘里躺着。谁先能把这批“不合规”的数据喂进训练,谁就握住了别人没有的弹药。
数据难题还会被硬件差异进一步放大。同一套动作指令,换一台机器人来执行,含义就偏了。把不同本体的数据在数值空间里直接拼起来,实测结果很难看:成功率能从98%直接塌到18%,个别极端案例里强行统一接口,成功率只剩个位数。数值层面的粗暴合并,实践中已经被证伪,可行的路子是在语义层面把动作对齐。
算力同样是绕不开的一关。机器人要实时响应,世界模型却得先把未来推演一遍,两边速度差了一到两个数量级。渲染一段未来影像,显存要吃掉接近20 GiB;单次决策则从几百毫秒到数秒不等。这道时延断层,靠工程优化已经填不平,只能从架构层面正面应对。
这几层串起来看,卡住具身智能的,不是模型规模再上一个台阶,而是感知方式、数据效率和系统架构这三处地基。
CloudRobo-WM1.2的解法

前面那些基准测试成绩说的是整个行业的共同困境,而CloudRobo-WM1.2端出来的五项技术能力,几乎能逐条对号入座。
视觉感知这块,PPA(Perceive-Predict-Act)多模态世界表征架构把RGB视频、语义特征、深度信息和点云揉进同一个框架,还引入面向未来状态的多模态预测监督。落到实际效果上,模型认出一个杯子的时候,还得回答“推它一把会往哪边动、会不会倒”这类还没发生的问题。感知系统就这样从“描述此刻”被逼着升级成“推演下一秒”。能预判物理交互的结果,正是真正理解物理规则、而不只是记住物理状态的重要标志。
动作生成这块,DualAct(Dual-path Unified Expert Training)世界原生双路径动作架构在同一个理解世界的大脑之下,搭了两条生成路径:World generator世界骨干管高精度动作预测,Action expert动作专家管高效直接的动作生成。打个比方,人既有需要反复斟酌的精细控制,也有不假思索的膝跳反射。两条路径共用统一的动作监督目标,世界模型的认知能力与机器人的动作生成因此被放进同一个学习体系里。
数据利用走的是另一条路子。CloudRobo-WM1.2的多粒度监督数据自适应预训练框架不再要求每条样本模态齐全,而是看手头数据实际带着哪些有效信息,据此组织监督。动作标注缺失、部分维度无效、深度信息或相机视角不完整的数据都能兼容,不用丢掉。行业里存量数据海量、来源五花八门,这种“有什么用什么”的训练姿态,直接决定异构数据能不能跑出规模效应。
跨本体泛化方面,CloudRobo-WM1.2没有把机器人96维与人类168维运动压进一个统一数值空间,而是保留了它们各自的原生物理语义;再通过Embodiment条件化,让同一个共享模型学会分辨不同形态机器人各自的“运动方言”。单臂、双臂、轮式底盘的数据于是能放进同一个训练池,知识共用,又不会互相污染。
算力怎么花,四套模式可以按需唤醒,像点菜似的对上不同的算力预算和时延容忍度:研发调试时开全面高精度模式(Joint+World Action),买的是可解释性;到了线上执行,切快速高效模式(Action-only+Expert Action),图的是部署效率。这笔弹性账有数可查——四种模式单次推理的计算量落在3.99到43.71 TFLOPS之间(华为云口径),最高和最低差了近十一倍。同一套模型,实验室要精度可以烧43 TFLOPS,产线要时效就只花3.99。时延这道坎不一定能一把抹平,但起码能先按场景换挡,用不着让每台机器人都替最贵的方案掏钱。
这五项核心技术一起撑着CloudRobo-WM1.2在世界建模、动作生成、数据规模化学习和工程部署上的持续演进,也让具身智能从模型研究走向复杂物理场景应用有了技术底子。
最深度的一次开放

国产世界模型大多不开源,不少厂商连权重都不肯放,开发者手里没有可复现、能二次训练的起点。几份第三方报告也提到,开源生态缺位,是国产赛道和海外之间最明显的一道沟。
开源生态缺位,根子上是生意结构的问题。海外那些开源先锋,比如Meta、英伟达,商业化基础都不在模型本身:前者靠算力和服务,后者靠芯片和仿真栈,模型免费是给底层业务引流的手段。
国内的世界模型公司反过来:模型本身就是产品,就是融资叙事的核心,开源等于亲手拆护城河。整个赛道正处在能力快速爬坡期,训练配方和数据配方是最敏感的商业机密,谁先开源,谁就先被同行拿来打榜对标。
开源生态要长起来,还得有人长期往基础设施里投。国内少数开源厂商,拿出来的基本只有权重和推理代码,训练数据不给、工具链不齐、算力适配得开发者自己啃。模型下下来跑不通、改不动、也训不起,开源沦为发布会上的谈资,没真正长成生态。
再加上这批模型厂商里,过去一直缺那种能从生态里挣到钱的平台型玩家,做开源的劲头自然更弱。负向循环就这么转起来:不开源,开发者进不来;开源不深,社区反馈就少,迭代也慢;迭代一慢,又更得靠闭源的故事撑住估值。
CloudRobo-WM1.2这一次发布,把开放生态做到了行业此前从未有过的深度。
开放分三层。第一层是模型开源:评测第一的WAM核心模型,权重、后训练代码、推理代码及基础设施最佳实践全部公开。第二层是平台开放:CloudRobo开发平台开放API、SDK、CLI与插件扩展机制,第三方模型、数据工具、训练框架都能接进来,开放的是一整套整体开发环境。
第三层最值得关注,也最值得琢磨:源码定向开放,面向核心合作伙伴定向开放训练框架工程代码与WAM昇腾算力代码库。这一层目前没有同行做过。模型架构、计算框架、核心算子与国产算力的协同优化方法,交到了被选中的少数人手里,这是整个开放策略里最锋利的一笔。

开放之外,华为云还许下三个承诺。坚定投入:继续扎进具身智能模型的核心技术,不断拿出有行业竞争力的具身智能模型。全面开放:模型、工具链和技术实践持续对外开放,靠昇腾云算力和云原生基础设施,帮产业伙伴更高效地开发和训练具身智能模型。共建共享:用平台把模型厂商、本体厂商和行业伙伴连起来,一起做行业解决方案,推动具身智能在各行各业规模化落地。这三个承诺其实都在回答同一个问题——世界模型比的是长跑,华为云选择站上跑道,而不是只办一场发布会。
对开发者而言,三层开放改的是各自要干的活,只是起步位置不一样。普通开发者从前两层得到的,是从下载权重到接入工具链的一整套起点,复现、改造、二次训练都有据可依;核心合作伙伴则多出一条路径——把“怎么在昇腾上训出世界模型”搬到自家的机器人和场景里去用。
对整个具身行业来说,创新的重心转移了。世界模型的生产资料变成公共品,竞争就从“谁有资源训大模型”转到“谁更懂场景、谁的本体和数据更好”,本体厂商、行业方案商都能在公开基座上做上层创新,不必再各家重复造轮子。开发者每在昇腾上完成一次训练,国产算力生态就厚一分。三层开放实际上是在替整个行业修一条从想法到落地的最短路径,而第三层的门槛让这条路径同时是一道筛选:最深的开放留给最紧密的伙伴,生态的半径由华为云亲手圈定。
昇腾原生的含金量

眼下顶级世界模型的训练和推理负载,基本都压在谷歌TPU和英伟达CUDA生态上,国产算力到今天还没有一套能把世界模型完整跑通的栈。
我们为什么急需一套建在国产算力基建上的顶级世界模型?
答案在刚过去的一周里显现。11月9日,英伟达在机器人学习大会上推出GR00T 2,全球具身智能开发者由此确认,自己的模型、数据和工具链都依附于同一套生态。两天后,这家公司的创始人辞任CEO,所有以英伟达路线为基座的架构,都得重新评估自己的排期。没有人做错什么,单一算力底座本就如此:政策、人事乃至叙事上的风吹草动,都会原样传导到地面上的人。
具身智能的集中趋势还在加快。模型、数据、仿真、部署正在收进同一个生态,开发者的训练管线、数据格式和工具链每多跑一天,与这套生态的咬合就深一层,将来换轨的代价只会更高。对中国机器人产业而言,把强度最高的训练需求留在自家算力基建上,意义就落在“确定性”这三个字里,这也正是“昇腾原生”的含金量所在。
这套基座不是凭空来的。华为云在AI和智能驾驶领域有多年的工程化积累,CloudRobo的底座沿用的就是同一条路线。世界模型常被看作AI负载的金字塔尖:多模态、长序列,训练和推理两头吃紧,能跑通它,等于对一套算力栈做了最苛刻的检验。
CloudRobo-WM1.2的基座分三层。算力层靠异构计算架构和超节点互联支撑多模态与物理仿真,以6B参数的WAM为例,用上下文并行、参数分片、激活重计算这套组合应对视频长序列训练。算网数存层做PB级多模态数据的统一存储与检索,面向具身强化学习进行计算与通信的联合调度。AI框架层上,RLinf v0.4对昇腾NPU的支持大幅增强,吞吐提升最高达到2.78倍。
从基座再往下走,到产线这一段,华为云也补齐了。六项工程能力分工明确:行业冷启动由高保真物理仿真、极端工况合成以及Real2Sim2Real迁移承担,目的是少依赖真机数据;云原生训练拿出WAM/VLA/VLN统一工具链;星闪鸿蒙生态集成借助高并发R2C网关,能让1000台以上本体并发保活,GB级模型的热更新做到分钟级;R2C跨本体快适配把接入时间压到小时级;持续学习RSI架构则打通作业数据回流、奖励评估和真机强化学习之间的循环;至于安全可靠运行,覆盖的是风险感知、自主恢复与端边云协同。
三层基座加六大工程能力,是从具身智能的负载倒推着造出来的。算力层的超节点与并行策略解决长序列训练,算网数存层接住PB级的数据洪流,AI框架层给具身强化学习提速。训练之后,仿真冷启动、统一工具链、星闪鸿蒙接入、跨本体适配、持续学习与安全运行,把从模型到产线的路全部铺好。具身智能全周期里最难啃的工程问题,都被提前做进了云里。所谓“昇腾最亲和”,说的是别家算力对具身或许只是捎带支持,而昇腾这套体系是为具身而生。
改写行业的基础
华为云这次打出的三张牌,给具身智能行业添了一些新的可能性。此次发布的是首个对外开放的、CUDA生态之外的完整开发栈,假如开发者迁移成立,具身智能会成为国产算力与英伟达正面交锋的新战场,而开发者的选择,正是模型能力、开放生态和基座平台要真正争夺的东西。