一句话结论:华为云 11 月 16 日发布并开源昇腾原生具身世界模型 CloudRobo-WM1.2,在 RoboTwin 2.0 榜单以 88.98% 的平均分列第一(干净转干净 95.28%,干净转随机 82.68%),LIBERO-Pro 2.0 平均分 81.7% 同样居首,但它当时还没放出权重下载。
世界模型这两年是具身智能赛道最拥挤的方向。据媒体梳理,国内公开的世界模型已有 59 个,全球公开入场的公司达 55 家。海外的英伟达靠 Cosmos 世界模型、Isaac 仿真栈和 GR00T 大脑占住了开发者,谷歌有自有 TPU 生态,国内多数公司则在模型能力上各自为战。
CloudRobo-WM1.2 的特别之处不在榜单名次,而在它跑在什么硬件上。这是华为云「行业 AI 梦工厂」推出的首款昇腾原生具身世界模型,从核心算子、训练框架到模型架构都针对国产算力整条链路做过协同优化。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,这次等于把国产算力做了一次最高强度的公开验收。
两个榜单第一,数字可以直接查
RoboTwin 2.0 榜单是公开的,提交方、评测协议和更新记录都写在网上。截至 11 月 15 日的更新,CloudRobo-WM 排在总榜第一,平均分 88.98%。这个平均分由两列构成:干净转干净的平均是 95.28%,干净转随机条件的平均是 82.68%。
| 排名 | 方法 | 贡献方 | 平均分 | 干净转干净 | 干净转随机 |
|---|---|---|---|---|---|
| 1 | CloudRobo-WM | CloudRobo Team | 88.98% | 95.28% | 82.68% |
| 2 | Awomo-0.6 | Awomo | 86.47% | 88.16% | 84.78% |
| 3 | GO-3 Nano Preview | AGIBOT | 85.01% | 88.54% | 81.48% |
| 4 | PrismWAM | THU 与 NVIDIA | 83.67% | 91.84% | 75.50% |
| 6 | CloudRobo-WM-Preview | CloudRobo Team | 81.95% | 88.90% | 75.00% |
第二名的结构恰好相反。Awomo-0.6 的干净转随机是 84.78%,比 CloudRobo-WM 高出 2.1 个点,但干净转干净只有 88.16%,低了 7.12 个点。也就是说 CloudRobo-WM 在环境确定时更稳,在环境被打乱后掉得多。这个细节比单看平均分有用得多,因为它把「模型强在哪」说清楚了。
榜单的评测协议也有参考价值。RoboTwin 2.0 固定用 50 条 demo_clean 轨迹乘 50 个任务,共 2500 条演示数据训练,机器人本体是 Aloha-AgileX,每个任务评测 100 次,分别在 demo_clean 和 demo_randomized 两种条件下跑,取两者均值。榜单还有一条上榜政策:方法必须提供公开代码、公开权重和技术报告,如果是从预训练模型微调出来的,预训练权重也得放出来,这样监督微调才能从同样的初始化重跑。这条规则把「只放推理代码」的路堵住了。
LIBERO-Pro 2.0 榜单上的成绩是 81.7% 平均分,同样排在第一。榜单可见的方法里排在后面的是 Lingbot-VA 的 75.0%、MolmoAct2 的 73.9%、Cosmos Policy 的 71.5%、pi-0.5 的 70.1%。这一榜的头部同样被 World Action 类型的方法占据。
五项技术,各自对着一个行业痛点
发布会把 CloudRobo-WM1.2 的能力拆成五项,每一项都对应具身智能落地时的一个具体卡点。
第一项是 PPA 多模态世界表征架构。它把 RGB 视频、语义特征、深度信息和点云揉进同一框架,并引入面向未来状态的多模态预测监督。区别在于,模型识别出一个杯子的同时,还要回答「推它一把会往哪边动、会不会倒」这类尚未发生的问题。感知从描述此刻升级为推演下一秒,这是理解物理规则和记住物理状态的分界线。
第二项是世界模型原生 DualAct 架构,同一个理解世界的大脑下建了两条动作生成路径。World generator 世界骨干负责高精度动作预测,Action expert 动作专家负责高效直接的动作输出。两条路径采用统一的动作监督目标,好处是开发者可以灵活定义动作专家尺寸,降低后训练成本。类比很直观,人既有需要斟酌的精细控制,也有不假思索的膝跳反射。
第三项是多粒度监督数据自适应预训练框架,不要求每条样本模态齐全。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进来。对行业里来源五花八门的存量数据,这条决定了异构数据能不能跑出规模效应。
第四项是本体语义保真跨具身运动建模。模型保留了机器人 96 维与人类 168 维运动的原生物理语义,没有压进统一数值空间,而是通过 Embodiment 条件化让同一个共享模型分辨不同形态机器人的运动方言。单臂、双臂、轮式底盘的数据可以放进同一个训练池。这个设计有现实针对性,因为把不同本体的数据在数值空间直接拼接,实测成功率能从 98% 塌到 18%,个别极端案例只剩个位数。
第五项是四种可按需组合的弹性推理模式。World Action 和 Expert Action 表示是否调用世界骨干做动作预测,Joint 和 Action-only 表示是否联合推理。四种模式的单次推理计算量介于 3.99 到 43.71 TFLOPS 之间,高低相差近十一倍。研发调试阶段可以用全面高精度模式换取可解释性,产线在线执行切到快速高效模式换取部署效率。
四档推理怎么选:算力与时延的换挡
四种模式的价值在于把时延断层做成了可选档位。世界模型推演未来的速度与机器人实时响应之间差着一到两个数量级,单次决策耗时从几百毫秒到数秒不等,渲染一段未来影像要吃掉接近 20 GiB 显存。这个差距不是工程优化能抹平的。
| 推理模式 | 是否走世界骨干 | 是否联合推理 | 典型用途 |
|---|---|---|---|
| Joint + World Action | 是 | 是 | 研发调试,需要可解释性 |
| Joint + Action-only | 否 | 是 | 中等算力预算 |
| Action-only + Expert Action | 否 | 否 | 产线在线执行 |
| Expert Action | 部分 | 否 | 算力最紧的边缘场景 |
算力档位的跨度是 3.99 到 43.71 TFLOPS。同一套模型,实验室里为精度可以花 43 TFLOPS,产线上为时效可以只花 3.99。时延断层未必能一次填平,但至少能按场景换挡,不必让每一台机器人都为最贵的方案买单。
昇腾原生的三层基座
CloudRobo-WM1.2 背后是华为云的 CloudRobo 具身智能开发平台,2025 年 6 月世界人工智能大会上首次亮相,覆盖从数据到部署的全流程。这次发布的模型不是孤立产物,它站在三层基座上。
算力层用异构计算架构与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、激活重计算的组合应对视频长序列训练。算网数存层做 PB 级多模态数据统一存储与检索,面向具身强化学习做计算与通信的联合调度。AI 框架层的 RLinf v0.4 对昇腾 NPU 的支持大幅增强,实现了最高 2.78 倍的吞吐提升。
基座之上是六大工程能力。高保真物理仿真、极端工况合成与 Real2Sim2Real 迁移负责行业冷启动,把对真机数据的依赖降下来。云原生训练提供 WAM、VLA、VLN 统一工具链。星闪鸿蒙生态集成通过高并发 R2C 网关支持 1000 台以上本体并发保活,GB 级模型可以分钟级热更新。R2C 跨本体快适配做到小时级接入。持续学习 RSI 架构打通作业数据回流、奖励评估与真机强化学习的循环。安全可靠运行覆盖风险感知、自主恢复与端边云协同。
真机数据在这个行业是硬约束,采集成本每小时 500 到 2000 元,来源五花八门,完整标注更难批量完成。掺入 10% 就能显著拉升成功率,但把大量不完整数据用起来是另一回事。CloudRobo-WM1.2 的多粒度预训练框架正是针对这一层。
开放分三层,最深那层有门槛
国产世界模型普遍不开源,多数厂商连权重都不放。这次的开放策略分三层。第一层模型开源,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、训练框架都可以接入。第三层源码定向开放,面向核心合作伙伴开放训练框架工程代码与 WAM 昇腾算力代码库。
第三层目前没有同行做过,它也是这套策略里最锋利的一笔。普通开发者从权重到工具链拿到了完整起点,复现、改造、二次训练有据可依;核心合作伙伴则多一条路,把在昇腾上训世界模型的方法用到自家机器人和场景上。
不过这里要说清楚一件事。截至发布时,华为云并没有同步给出权重下载地址和代码仓库。多家外媒在报道中明确指出这一点,开发者要真正跑起来仍需等待。榜单第一的成绩目前也主要来自华为云自己的发布材料,尚无第三方独立复现。评估这个发布时,把「已宣称的」和「可验证的」分开看更稳妥。
生态侧的账:80% 与 16500
华为云在发布会上披露了几个生态数字。昇腾云在具身智能市场格局中排名第一,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。CloudRobo 平台已汇聚超过 16500 名开发者,230 多家企业及高校参与,积累了 1500 多个覆盖工业、电力、环卫、医疗养老等场景的行业资产。立项成功的项目可获得最高 100 万元的昇腾云算力支持,核心伙伴最高 200 万每伙伴、100 万每方案。华为云还会在明年第一季度继续发布新模型。
这组数字背后是行业的一个真实缺口。全球高质量真实物理交互数据约 50 万小时,训练一个通用具身模型至少需要 1000 万小时,现有存量不到需求的 5%。仿真环境任务成功率能到 89.4%,真实家庭环境只有 12%,真机操作榜最高 24.4% 而人类专家是 100%。这 95% 以上的缺口任何单一公司都填不平,开源基座加生态共建是当前最现实的路径。
同行业的另一条路线也在推进。英伟达 11 月 9 日发布了 GR00T 2,路线仍是 GR00T 负责通用大脑、Isaac 负责仿真验证、Thor 负责端侧推理。这条路线的护城河是开发者习惯,四百万开发者的代码写的是 device=”cuda”。国内具身模型圈的其他玩家则包括智元、星海图、智源、腾讯和阿里。
值得对照的是站内此前对同类模型的拆解。Gemini Robotics 2.5 深度:奔驰产线分拣 96% 与越狱抗性 99.5% 讲的是通用大模型厂商怎么切进具身,英伟达 GR00T 2 模型详解:402730 小时数据与 30 分钟微调 拆的是数据规模与微调成本,智元 WITA-Omni:400 毫秒响应与四榜第一的具身全模态模型 则是国产全模态基座的一条对照线,触觉这条支线可以看 蚂蚁灵波 LingBot-Touch 触觉模型:26 项真机任务成功率涨 24.8 个点。另外昇腾这条算力线上的定价对照,参考 华为云 openPangu-2.1-Pro 价格怎么算:0.8 元每百万 token 三档,另一条昇腾原生的世界模型路线在 魔芯 MoWorld 2.0 的推理成本 里有对比。
行业还没解决的四个硬问题
发布会之外,行业自身的短板同样有据可查,这也是判断 CloudRobo-WM1.2 真实成熟度的参照系。
视觉感知在信息残缺时最容易崩。遮挡一来,关键目标检测得分从 68% 跌到 28%。中等程度的相机遮挡下,3D 检测 mAP 从 35.6 滑到 20.9,超过四成精度凭空蒸发。镜头位置挪动同样致命,习惯固定机位的模型遇到高位视角,正确率从 62.72% 坠至 7.62%,即便做完全视角多样性训练也只有 34.35%。
运动理解更弱。有模型对物体位置的理解能力接近满分,0.97 分满分制,但对「速度」的理解只有 0.42 分,直接导致物理推理正确率仅 19%。在 IntPhys 2 基准上,几乎所有模型都没摸到 60% 的及格线,人类受试者普遍能达到 96.44%。
数据和算力是最后两道关。真机数据采集成本每小时 500 到 2000 元,跨本体数值直接拼接会让成功率从 98% 塌到 18%。算力方面,单次决策耗时从几百毫秒到数秒,渲染未来影像要吃掉接近 20 GiB 显存。世界模型的推理成本比 VLA 高 40% 以上,商业闭环没跑通之前,权重确实缺乏定价基础。
常见问题
CloudRobo-WM1.2 是什么,在哪个榜单上第一?
它是华为云 2026 年 11 月 16 日发布并开源的昇腾原生具身世界模型,采用共享世界模型骨干网络实现预测增强的世界表征,基于世界模型原生 DualAct 架构生成动作。在 RoboTwin 2.0 榜单以 88.98% 平均分列第一,在 LIBERO-Pro 2.0 榜单以 81.7% 平均分列第一,两个榜单的成绩都已公布在各自官网上。
普通开发者现在能下载权重自己跑吗?
暂时不能。截至发布时华为云尚未给出权重下载地址和代码仓库,模型开源属于发布会宣布的承诺而非已落地的可下载产物。开发者拿到的是明确的获取路径预期,实际可用还要等仓库上线。榜单成绩同样主要来自华为云发布材料,尚无第三方独立复现。
四种推理模式该怎么选?
看算力预算和时延容忍度。研发调试阶段用 Joint 加 World Action 的全面高精度模式,单次推理 43.71 TFLOPS,换可解释性。产线在线执行用 Action-only 加 Expert Action 的快速模式,只要 3.99 TFLOPS。四档之间算力差近十一倍,按场景换挡比一味追求最高精度更实际。
小结
CloudRobo-WM1.2 的意义有三层。第一层是可验证的,两个公开榜单的第一名和具体分数都能在官网查到,RoboTwin 2.0 的 88.98% 由 95.28% 和 82.68% 两列构成,比单看平均分更能说明强在哪。第二层是算力路线,这是首个对外开放的 CUDA 生态之外的完整世界模型开发栈,权重、推理代码、训练框架、算子库配套给出,迁移成本会随着开发者在 CANN 上写的代码和踩过的坑慢慢积累。第三层是那个必须说清楚的限制:权重还没放出来,榜单成绩还没有第三方独立验证。
对具身智能的开发者来说,值得留意的是开源这件事本身。当一个双榜第一的模型选择把权重、后训练代码、推理代码和算力最佳实践一起放出来,行业里「开源成了发布会噱头,模型下载下来跑不通、改不动、训不起」的老问题才第一次有机会被绕开。剩下的问题是等仓库上线后,权重是否完整,在昇腾硬件上的实际推理成本能压到多低,端侧时延能推到多少。这三件事决定它是生态起点还是又一次发布会。
相关阅读
- Gemini Robotics 2.5 深度:奔驰产线分拣 96% 与越狱抗性 99.5%
- 英伟达 GR00T 2 模型详解:402730 小时数据与 30 分钟微调
- 智元 WITA-Omni:400 毫秒响应与四榜第一的具身全模态模型
- 魔芯 MoWorld 2.0 的推理成本
- 蚂蚁灵波 LingBot-Touch 触觉模型:26 项真机任务成功率涨 24.8 个点
延伸阅读
- 魔芯 MoWorld 2.0 发布:昇腾原生 4D 世界模型推理成本降至 30%2 周前
- 影溯仿真数采中心落地杭州:目标月产百万小时数据2 周前
- Sharpa IROS连发三款具身新品:D01人形机器人手臂速度10.5m/s1 月前
- 辉羲智能年内融资破25亿:光至R1转战具身芯片3 周前
继续读
往下这几篇值得接着看:
- Gemini Robotics 2.5 深度:奔驰产线分拣 96% 与越狱抗性 99.5%2026-11-11
- 英伟达 GR00T 2 模型详解:402730 小时数据与 30 分钟微调2026-11-11
- 智元 WITA-Omni:400 毫秒响应与四榜第一的具身全模态模型2026-11-11
