在語言模型的發展曆程中
，GPT-2 之所以成為一個關鍵裏程碑，並不隻是因為模型本身能力的提升
，更因為它第一次係統性地定義了一個問題——如何讓模型有效利用互聯網規模的異構數據。

從那一刻起，語言模型不再依賴少量高質量標注數據，而是開始以“全量數據”為燃料，進入持續 Scaling 的時代。

但在具身智能領域
，這個問題從未被真正解決。

不同來源的數據彼此割裂：jiqirenshujuyurenleishujunanyitongyi
，zhenshiyufangzhennanyironghe

，youdongzuobiaozhuyuwudongzuoshipinnanyixietong，gaozhiliangyudizhiliangshujuwangwangbeigelieshiyong。zhexiejiegouxingdeduanceng，shidejushenzhinengshizhongtingliuzai“數據稀缺驅動”的階段，難以走向規模化學習。

近日，銀河通用機器人發布的跨本體「隱式世界-動作基礎模型」LDA，正是對這一問題的正麵回答。

其核心突破不單在於模型能力的探索，而在於世界範圍內首次在數據層麵實現：虛實共融、人機混合

、質量參差、有無動作標簽的數據統一有效利用。

換句話說：一個模型，開始能夠“吞吐全部數據，並讓所有的數據各盡其用”。

這也意味著，具身智能第一次真正具備了類似 GPT-2 的能力——進入以數據規模驅動性能持續提升的新階段。

具身數據範式新標準：從“篩選數據”到“組織數據”

在具身智能中，數據問題從來不是“有沒有”，而是“能不能被統一利用”。

長期以來

，不同類型的數據彼此割裂：zhenshijiqirenshujuguimoyouxian，yaocaozuoshujuchengbengaoang
，renleishipinquefadongzuobiaozhu，hulianwangshujunanyiduiqiwulishijie，erfangzhenshujuyoushizhongmianlinzhenshixingyueshu。zheshidejushenzhinengshizhongyilaishaolianggaozhiliangshujuqudong，nanyizouxiangguimohua。

銀河通用的解決方式
，是構建完整的數據基礎設施——銀河星數（AstraData），並在 LDA 中實現對全類數據的統一完整運用。

圍繞這一體係
，銀河通用構建了一個自下而上的數據結構（五層金字塔）：

互聯網圖像/視頻/文本數據（底層）：規模最大
、成本最低，用於構建基礎感知與語義理解能力
，但與具體動作執行相關性較弱

人類行為數據（次底層）：提供動作先驗與任務理解，將“視覺認知”連接到“行為語義”

多本體合成仿真數據（中間層
，銀河自研合成數據管線產出）：以物理一致性為約束，大規模生成可控、多樣的機器人交互數據
，實現從認知到執行的關鍵過渡

真實遙操作數據（高層）：提供高質量動作示範，但規模與采集效率受限

真實機器人自主運行數據（頂層）：來自真實部署環境的閉環數據
，直接反映係統在現實世界中的運行表現，並持續驅動強化學習與係統優化

高質量專家數據：同時用於策略與動力學建模，定義“最優動作”

低質量與噪聲數據：用於前向與逆向動力學學習
，刻畫真實世界演化

無動作標注視頻：用於視覺預測，提取行為結構與潛在意圖

在這一框架下，數據不再被簡單劃分為“有用或無用”，而是被係統性重組進統一的世界-動作模型之中。

這一範式在 LDA 中首次展現出清晰的規模化特征：隨著數據規模從數千小時擴展至數萬小時，模型性能持續穩定提升。

尤其關鍵的是：即使引入大量低質量甚至失敗數據
，模型性能不降反升；在高質量動作數據耗盡後，僅依賴無動作標注的人類視頻，模型依然可以持續進步。

這意味著
，低質量數據與無動作數據

，同樣可以驅動具身模型的持續 Scaling——這一點，是傳統行為克隆（BC）及既有世界模型方法難以實現的。

從這個角度看，LDA 不僅是一個模型突破，更是「銀河星數」數據體係在模型層的關鍵閉環——標誌著具身智能開始真正進入以數據驅動的規模化發展階段。

具身模型範式統一：從 VLA， World Model 到 World Action Model

如果說數據決定模型能學什麼，那麼模型結構決定它如何理解這些數據。

傳統機器人模型，本質上是從感知到動作的映射
，其能力邊界在於：它可以執行動作，但並不真正理解“動作之後世界會發生什麼”。

LDA 在這一點上進行了根本性改變。

銀河通用提出並實踐的，是將 World Model（世界模型）與 Action Model（動作模型）統一的框架，即 WAM（World-Action Model）。

在模型層麵
，LDA 並不是一次結構創新
，而是銀河通用長期技術路線的自然延伸。

銀河通用提出並實踐的
，是將World Model（世界模型）與Action Model（動作模型）統一的框架，即 WAM（World-Action Model）。

這一方向如今已成為具身智能領域的研究熱點，但早在 2025 年 3 月
，銀河通用發表了 DyWA: Dynamics-adaptive World Action Model
， 在全球範圍內首次對 WAM 的概念進行結構化定義，並在接觸動力學複雜的任務實現了成功的驗證。

2025 年 3 月銀河通用團隊率先對 World-Action Model 展開前沿探索

在論文中，團隊對 WAM 進行了係統性的定義

從這一時間節點來看，團隊並非在跟隨趨勢，而是在這一關鍵範式尚未形成行業共識之前，就已經完成了前瞻研究。

也正是在這一技術路徑的持續演進下，LDA 得以在同一模型中統一學習策略、動力學與視覺預測能力，形成真正閉環的“世界—行動”聯合建模框架，使模型從“執行動作”走向“理解並作用於世界”。

在這一框架下，模型在同一體係中同時學習：

策略學習（Policy Learning）：從當前觀測生成動作

前向動力學（Forward Dynamics）：預測動作將如何改變世界

逆向動力學（Inverse Dynamics）：從結果反推中間行為

視覺預測（Visual Forecasting）：在無動作條件下推演世界未來

這些能力不再彼此割裂，而是在同一表示空間與訓練過程中協同優化，形成一個完整的“感知—決策—反饋”閉環。

這帶來了以往模型難以實現的能力躍遷，換句話說，在「銀河星腦」的整體架構中，LDA 讓機器人第一次具備了這樣一種能力：既能行動，也能理解行動如何改變世界。

這一步，使機器人從“執行任務的工具”，開始邁向“理解世界的係統”。

視覺表征統一和動作對齊：麵向規模化的係統解法

World Action Model 類方法通常使用 VAE 派生的像素級表示進行動力學預測。這條路看似合理，卻暗藏一個結構性缺陷：VAE 潛空間將外觀、幾何
、動力學混雜在一起

，不同機器人平台
、不同光照場景的數據在這個空間裏難以對齊，導致動力學學習受到嚴重幹擾，更重要的是——難以隨規模擴展持續收益。

論文數據直接說明了這一點：將 UWM 從 0.1B 擴展到 1B，RoboCasa-GR1 成功率僅從 14.2% 提升至 19.3%，即使替換為 MM-DiT 也隻有 20.0%，Scaling 幾乎停滯。

LDA 的核心選擇，是放棄 VAE，轉向 DINO 結構化潛空間。DINO 通過自監督預訓練，天然過濾光照
、紋理等外觀冗餘，保留物體級語義與空間結構。在這個空間中
，不同機器人、不同環境的數據具有一致的表達形式——外觀差異被壓製
，物理相關信息被突出，使跨本體的動力學學習真正成為可能。

而僅有視覺統一還遠遠不夠，真正阻礙具身大模型擴展的另一堵牆，是動作空間的割裂。

不同機器人本體往往擁有完全不同的執行器形式：兩指夾爪
、多指靈巧手、吸盤、剪刀式末端執行器……如果仍然沿用各自獨立的關節空間（joint space）建模
，動作語義天然無法共享，數據規模再大，也隻是分散在彼此孤立的數據孤島中。

LDA 首次係統性地提出了一套統一的 hand-centric action space
，將所有動作統一映射到“手如何作用於世界”這一物理本質上，而不是機器人自身的關節定義上。

具體來說，動作由兩部分組成：

其一，是末端執行器的 delta wrist pose，即手腕在連續時刻之間的位姿變化（位置 + 姿態）；這部分刻畫的是操作意圖本身


，例如靠近、推拉、插入、翻轉、對齊等跨本體共享的核心操作語義。

其二，是 finger configuration
，即手部接觸形態。對於 parallel-jaw gripper（平行夾爪），使用單自由度的 gripper width 表示開合狀態；而對於 multi-finger dexterous hand（多指靈巧手），則使用在 wrist 坐標係下定義的關鍵點（keypoints）來描述手指構型，而非依賴不同本體各異的關節參數。

這一設計的關鍵突破在於：它不再讓模型學習“某台機器人怎麼動關節”

，而是學習“手如何與物體發生作用”。

這意味著，夾取、旋轉、插入、剪(jian)切(qie)這(zhe)類(lei)操(cao)作(zuo)，不(bu)再(zai)被(bei)綁(bang)定(ding)在(zai)某(mou)一(yi)種(zhong)機(ji)械(xie)結(jie)構(gou)上(shang)，而(er)能(neng)夠(gou)在(zai)不(bu)同(tong)本(ben)體(ti)之(zhi)間(jian)共(gong)享(xiang)動(dong)力(li)學(xue)規(gui)律(lv)。無(wu)論(lun)是(shi)仿(fang)真(zhen)中(zhong)的(de)雙(shuang)指(zhi)夾(jia)爪(zhao)
，還(hai)是(shi)真(zhen)實(shi)世(shi)界(jie)中(zhong)的(de)多(duo)指(zhi)靈(ling)巧(qiao)手(shou)
，模(mo)型(xing)看(kan)到(dao)的(de)都(dou)是(shi)統(tong)一(yi)的(de)物(wu)理(li)交(jiao)互(hu)語(yu)言(yan)。

超強真機表現：跨本體、少樣本、長程靈巧操作

LDA 在真實世界中展現出強大的泛化與執行能力，模型在全部任務類別上穩定超越 GR00T-N1.6 和 π₀.₅，展現出更強的泛化與適應能力。

GROOT-N1.6
、π0.5、LDA 三項工作在各類任務中使用二指夾爪操作的成功率對比

GROOT-N1.6、π0.5、LDA 三項工作在具體任務中使用靈巧手操作的成功率對比

少樣本跨本體泛化

從工業場景中的物體搬運，到零售環境中的取放操作，再到家庭中的日常任務，LDA 能夠在多種場景下穩定執行任務。

值得強調的是，所有測試所使用的機器人本體
，均未出現在預訓練數據中。

在這一嚴格設置下


，在 Pick-and-Place 任務中進一步引入多種分布外擾動，包括未見位置、新物體以及背景變化。

結果表明，LDA 在各類擾動下仍能保持較高成功率，而僅依賴行為克隆（BC）的基線模型性能則出現顯著下降。

這表明，LDA 學到的不隻是“動作模仿”
，而是能夠跨本體遷移的世界-動作結構。

長程靈巧操作

在更具挑戰性的長程任務與高自由度操作中，LDA 同樣表現出色。例如，模型可以完成“煎牛排”“疊紙杯塔”等複雜操作，這類任務既需要長時序規劃能力，也依賴精細的接觸建模與控製能力。

在 LDA 驅動下，機器人可以勝任煎牛排這一長程任務
，即便中途受到幹擾（打斷現有任務，發布新任務）
，機器人依然可以隨機應變
，按照指令理解並行動

失敗數據讓性能再提升

一個更具啟發性的現象來自低質量真機數據。

在相同的數據設置下，將這部分包含大量失敗和不穩定操作的數據加入訓練： 對於 π₀.₅

，性能明顯下降；而對於 LDA，性能反而持續提升。

這表明，LDA 並不是簡單依賴“幹淨數據”
，而是能夠從失敗中學習世界的真實動力學，將原本被視為噪聲的數據轉化為有效信號。

具身基礎模型進入“可規模化時代”

LDA 的突破，意味著具身智能的 scaling 路徑正在發生根本性變化：它不再依賴稀缺而昂貴的專家示範數據作為唯一燃料，而是開始向更廣泛、更真實
、更複雜的數據來源全麵打開——包括業務回流數據、低質量操作軌跡，以及大規模人類行為視頻。

在這一範式下
，數據不再被嚴格篩選為“可用”與“不可用”，而是被統一納入模型對世界的建模過程之中。真正決定能力上限的，不再是數據是否完美
，而是模型是否具備從異構數據中抽取結構、規律與因果關係的能力。

從這個角度看
，LDA 回答的並不隻是“如何構建一個更強的模型”，而是一個更基礎的問題：機器人，是否可以像語言模型一樣
，從海量異構數據中持續學習世界本身？

而 LDA 給出的答案正在變得清晰：當動力學學習
、策略學習與視覺預測被統一到同一表示空間，當低質量甚至失敗數據也能轉化為有效監督信號，具身智能就第一次具備了“從真實世界持續學習”的基礎條件。

在這一進程中
，銀河通用將 LDA 的核心算法與代碼體係全麵開源，希望推動行業從封閉優化走向開放共建，加速基礎能力的整體躍遷。

更重要的是，這一能力並非孤立存在，而是嵌入在「銀河星腦（AstraBrain）」的完整技術體係之中：從「銀河星坊」所構建的數據基礎設施

，到跨本體的世界-動作基礎模型
，再到麵向真實場景的持續部署與反饋學習閉環，正在形成一條完整的具身智能技術管線。

接下來
，這一體係將進一步向真實應用場景延展，從工業製造、零售服務，到複雜開放環境中的自主作業能力，推動具身智能從“可演示能力”
，走向“可持續運行能力”，並最終成為新一代生產力基礎設施的一部分。