高德发了个机器人全身基座模型，数据不靠机器人采集

教机器人做全身协调的动作，过去的第一步是先有一台机器人。高德这条路线反着来：人戴着消费级设备在日常环境里走一遍，机器人自己学。

一、发生了什么

据量子位报道，阿里巴巴旗下高德近日发布全身基座模型 λ0，由高德与阿里 ATH 事业群共同完成，官方称这是首个基于开放世界行为的同类模型。

它的靶子是老问题：以往第一视角的视觉语言动作模型，数据大多只盯着手部和臂部的交互，缺关节、躯干、位姿这些全身动态信息。场景一开放、任务一长，碎片化的局部学习就成了瓶颈。

λ0 的做法分两段。采集端不依赖机器人本体，人佩戴普通设备随走随采，官方称单条示范从约 100 秒压到 29 秒，效率约为原来的 3.4 倍。学习端再把视觉、身体位移、手部操作对齐，经手部交互、全身协调、人形本体三个阶段训练，逐步转成机器人的控制指令。配套还构建了 500 小时的开放世界数据集 HumanVerse-500。

成绩全部来自官方自测：SIMPLE 仿真基准与多项真机评测称取得 SOTA，真机任务成功率较最强对比基线提升 22.5%；在 7 项全身协调与长程任务上，仅凭人类数据实现真机零样本迁移；官方还称，人类全身数据积累越多，真机表现随之提升。

目前 GitHub 已开源硬件配置代码，Hugging Face 上线了数据样例，技术报告挂在 arXiv，面向巡检、物流等开放场景。上述数字均为厂商口径，尚未见第三方复测。

二、跟你有什么关系

具身创业团队：如果无本体采集经得起复现，真机遥操作这台「成本大头」可以被绕开，小团队也能攒全身数据。

物流与巡检场景的使用方：官方给的目标场景正是这两类，值得关注它在长程移动加操作任务上的实际表现。

观察行业的人：一家做地图的公司下场做机器人基座，说明具身智能的数据逻辑正在从「有真机」转向「有数据管线」，采集端正在成为新的竞争位。

三、怎么判断

1. 先分清自测和第三方榜。SIMPLE 成绩是官方自测口径，等别人拿同一基准复测一轮再当真结论。
2. 看开源的边界。这次放出的是硬件配置代码和数据样例，不是完整模型权重，能复现多少要自己确认。
3. 看零样本迁移的任务难度。7 项任务具体是什么、成功率分布如何，比「SOTA」两个字信息量大得多。换个说法：能在桌上拿杯子，和能在仓库里搬箱子，是两种 SOTA。

四、三个别信的说法

错误说法。「SOTA 就是全面领先。」这是厂商在自选基准上的自测结果，换一批任务、换一台本体，排名可能重排。SOTA 只在该基准内成立。

错误说法。「不要真机数据也能行。」人类数据解决的是示范来源，但接触力度、材质反馈这些物理细节仍要靠真机验证闭环。零样本迁移是起点，不是终点。

错误说法。「采集快 3.4 倍等于落地提前三年。」采集只是数据管线的一环，对齐、训练、真机部署各有各的坑，效率提升不会自动换算成商用时间表。

五、一句话结论

人类数据喂机器人是条省钱的路，方向值得跟，数字先打折看。

信息来源

• 量子位：高德发布全身基座模型 λ0，2026 年 10 月 23 日

功能与价格以官方公告为准。本文写于 2026 年 10 月 25 日。