一年以后，当争吵声渐渐变成共识
VLA和世界模型，一年前还在一张桌子上争。
前一个名字里是视觉、语言、动作，后一个名字里是世界。支持VLA的人说这是工程师的答案，先把车开好；支持世界模型的人说那才是通往通用智能的路。
9月的头八天，松延动力、智元机器人、宇树科技一家接一家往外放模型，五款模型挤在同一个星期里。
摆到一起看，五份技术报告的写法各不相同，落点却挤在同一处。宇树给其中一款起的名字最直白，UnifoLM-WLA-1.0，就是把世界模型并进了VLA。
01.
五款模型挤在八天里
9月8日，松延动力发布通用具身智能技术品牌Scalabot，一并推出HERON体系下的首个模型HERON-World Model。
这是一款动作条件世界模型，位置放在动作之前，作用是预测机器人采取不同动作后环境会怎么变。训练数据混了三类，真实机器人数据、仿真数据、第一视角人类操作视频，再用统一动作表示把不同本体、不同数据源接到一起。
9月9日，智元机器人一天发两款。AGILE 2.0是感控一体模型，把环境观测、地形理解、可通行性分析、全身运动控制、接触状态切换、末端操作拧成一个闭环。配套短片里，灵犀X2钻火圈、抖空竹、跳长绳，还踩着一个大球往前滚。另一款GE-Act 2.0，是原生世界-动作模型。
图注：智元《杂技BOT》短片截图，灵犀X2穿过火圈。图片来源：智元机器人官方演示短片
9月10日，宇树科技开源UnifoLM-WLA-1.0。WLA指世界、语言、动作。6B参数，约2500小时真机数据加500万条具身推理样本，一个模型覆盖64项任务，10项全身操作、54项桌面操作，同时兼容二指平行夹爪和多种五指灵巧手。
图注：UnifoLM-WLA-1.0 项目页，页面上标着 Fully Open Source。图片来源：宇树科技官方项目页
9月15日，松延动力放出HERON-CRA，情境强化行动模型，主打记忆、强化学习、跨本体泛化。
一条一条看，都是标准的发布快讯，各家有各家的说法。摆到一起，共同点就浮出来了。世界模型这件事，原来在VLA外面，现在被搬进了VLA里面。
02.
缩写换三次，线路就合了
看清这个搬法，宇树的命名史是个现成样本。
2025年9月，宇树开源UnifoLM-WMA-0，WMA是World-Model-Action。四个月后，2026年1月，名字换成UnifoLM-VLA-0，VLA是Vision-Language-Action。再过八个月，2026年9月，变成UnifoLM-WLA-1.0，WLA是World-Language-Action。
一年，三个缩写，换了两回。第一次，世界模型站在最前面，视觉还不在名字里。第二次，视觉顶上来，世界模型从缩写上消失。第三次，世界和语言并排进来，动作挪到末尾。这三组顺序摆在一起，就是一条路线收口的顺序。世界建模先是独立的一支，然后被当成可选项摘掉，最后重新并进主干，跟视觉、语言平起平坐。
图注：一年里三个版本名的缩写变化。图片来源：依据宇树科技公开材料整理
宇树不是唯一这么走的。智元9月9日那两款，一个名字带世界不带视觉，一个带感控不带世界，拆开是两条线，合起来是一套。
松延更直白，HERON-World Model管预演未来，HERON-CRA管执行动作，一个世界模型加一个动作模型，用强化学习接到同一个框架里。创始人姜哲源接受采访时说，两条路线并行探索，但并行不等于割裂。
图注：HERON-CRA 的三项能力与上下层数据通路。图片来源：松延动力官方技术材料
03.
数据加百倍，任务翻倍
五款模型里，智元的GE-Act 2.0把数据规模的账摊得最清楚。
它把训练数据分成四档，300小时、1200小时、5000小时、3万小时，最多的一档比最少的一档大100倍。训练完不做任何微调，不喂示范，直接让机器人上陌生场景、陌生物体做零样本测试。
结果分两半。一半是旧技能变稳，G1-OP机器人的整体任务成功率从17.1%涨到44.1%，G2-90D从13.4%涨到31.1%。另一半是新技能冒出来，拿到非零成功率的任务数量，G1-OP从39项涨到76项，G2-90D从24项涨到72项。折叠毛巾、嵌套纸杯、拔插笔盖、插花这些精细动作，小数据量训练的模型基本做不了，数据堆到3万小时才开始有起色。
图注：两种机器人本体上，小数据量与3万小时数据训练的零样本成功率。图片来源：依据智元机器人公开数据整理
更值得看的是曲线的形状。从5000小时加到3万小时，模型能力没有出现明显饱和。这句话在具身智能里的分量比在大模型里更重，因为此前的主流做法是给每个任务单独做微调，数据加得再多，也只是把同一件事做得更熟。GE-Act 2.0想说，数据堆到一定量，会堆出原本不会的能力。
这也是世界模型被重新放回名字里的原因之一。只靠当前这一帧做映射，模型学不到这么做下去会怎样，也就难有关于未来的判断，世界模型补的正是这一块。
04.
对立本来就是人为的
行业给这件事定性的说法，9月出得很整齐。
Gartner研究副总裁高挺的判断是，未来一两年VLA大概率仍是机器人动作模型的主体，世界模型会逐步融进去，提供物理理解、规划和预演，长期更可能是两者融合，而不是世界模型简单取代VLA。
智元联合创始人彭志辉的说法更直接，两者互补，最优架构是世界模型配机器人的大小脑快慢系统，合起来做「理解物理世界、预测环境变化、主动改造世界」的闭环。
北京人形机器人创新中心在WRC推出的Pelican-Unify，被定义为全国首个统一表征的具身世界模型。其技术团队给了一句更贴近底层的解释，VLA和世界模型内核一致，都建立在Transformer架构和自监督预训练上，区别只在自监督的方式不同。
这句话把前面的争论解释掉一半。VLA解决怎么做，世界模型解决做了会怎样，一个负责执行，一个负责预判，底下共用同一套架子和同一类训练方法。从这个角度看，两条路线的对立本来就不太站得住，融合反而更自然。
融合之后，各家的模型架构会越来越像，都是世界建模加语言理解加动作生成，差别落在数据和训练配方上。GE-Act 2.0那四档数据说明，能力涌现的门槛卡在数据规模上，而这个规模不是随便堆几个小时就能到。松延姜哲源给过一条更狠的判断，具身智能要到能力拐点，至少需要百万小时量级的数据，他认为百万小时大概率还不够。
三层数据怎么配比，仿真里练熟的本事怎么落到真机上，各家都在自己摸。架构会越来越像，接下来决定名次的换成了数据。
下一次发布会要讲的，多半不是名字怎么写，而是这批数据从哪来。
