宇树 最近把自研的 6B 具身大模型 UnifoLM-WLA-1.0 开源了——不是只放论文，而是把权重、训练代码和数据集按 Apache 2.0 一并放出。对一个以硬件见长的本体厂来说，这步棋意味着它想抢的不再只是「身体」，而是「大脑」的定义权。
这套模型最抓眼球的数字是：单个 6B 参数模型统筹 64 项任务，其中 10 项全身操作、54 项桌面操作，训练用了约 2500 小时真机数据，且同时支持并联夹爪和双灵巧手。换句话说，它试图用「一套权重」替代过去「一个任务一套控制器」的旧范式。
把架构拆开看，底层是 UnifoLM-ER-1 具身推理底座，基于 Qwen3-VL-4B 训练，在 16 项多模态感知与理解基准里拿下 7 项开源 SOTA；其中部分空间理解能力已经超过闭源的 GPT-6 Astra——比如 Where2Place 得分 82.0 对 69.0，EmbSpatial 88.9 对 83.3。对机器人而言，空间理解比聊天能力关键得多。
往上走，模型用光流预测加 VQ-VAE 框定「未来会动的区域」，再用 residual-VQ 把末端执行器、灵巧手、下肢的动作统一离散化，最后由 MMDiT 动作专家输出连续的机器人动作。这条链路把「看懂」和「做对」接在了一个网络里。
但 宇树 这一步真正的信号不在技术细节，而在姿态：它把大模型从「黑箱产品」变成了「可修改的公共基础设施」。这恰好把行业推向一个早有伏笔的分叉——具身智能的「大脑」，到底该闭源还是开源？
闭源一侧，玩家靠的是私密数据与算力筑墙。 Physical Intelligence 估值约 110 亿美元， Figure 的自有 Helix 系列与大笔算力绑定（其与 NVIDIA 的合作初始承诺 35 亿美元、远期规划 10 万张 GPU），FieldAI 则以「物理先验」路线冲刺约 100 亿美元估值。它们的逻辑是：模型是核心资产，靠授权与部署收费。
特斯拉 走得更彻底，选择全栈自研——从 AI5（内存已砍到 72GB LP5）、AI6（144GB LP6）芯片到整机 Optimus 全自己来。它的赌注是：当大脑、身体、产线都捏在自己手里，规模化的边际成本才会最低。这种路线的代价是，模型能力无法借助外部社区快速迭代。
开源一侧， 宇树 不是孤例。微软研究院开源了 5B 参数的 Rho 系列 VLA 模型，瞄准机器人离线监督微调里「既要学控制、又要学任务覆盖」的双重负担；学界则有七所高校联合开源的 OpenWAM，把「世界会怎么变」和「哪一步动作促成变化」放进同一个网络。
智元 也在 IROS 2026 上抛出了「humanoid-robot-in-a-box」式的开源开发者套件，把整机加工具链打包成可上手的研究平台。与此同时， 优必选 等国内头部也在各自推进具身大模型， 波士顿动力 则坚持把大脑收在自己体系内。当头部本体厂纷纷把「大脑」或「套件」开源，闭源与开源的边界正从口号变成产品形态的差异。
开源阵营真正想要的，未必是「免费」二字，而是生态锁定。权重放出后，开发者会基于它微调、复现、二次开发，而微调的对象往往绑定特定本体—— 宇树 的 G1 因此更容易成为事实标准。模型本身可以不收费，但本体销量、云服务、后续升级构成闭环。
这套打法对资源有限的团队尤其友好。过去要自研一套 VLA 需要数据、算力、工程三线并进；现在下载一份开源权重就能站在巨人肩上。门槛降低的直接后果，是具身智能的「开发者基数」被快速放大，用例像雪球一样滚动。
但「开源」不等于「免费午餐」，也不等于「谁都能用好」。UnifoLM-WLA-1.0 公开的是训练代码与数据，实际效果仍依赖真实场景的持续喂养；一个在实验室跑通的任务，到了光照、布局、物体都陌生的现场，成功率会明显下滑。开源解决的是「起点」，不是「终点」。
更现实的张力在数据与算力。开源模型把「算法」摊开了，但高质量真机数据依旧稀缺、且多被闭源阵营攥在手里；大算力训练的护城河也未被填平。换句话说，开源降低了「写模型」的门槛，却没消除「喂数据、压成本」的门槛。
这也解释了为何闭源阵营并不慌。 Physical Intelligence 、 Figure 、FieldAI 的估值逻辑，本质是对「独占数据 + 独占算力 → 独占能力」的押注。只要这一闭环成立，开源 weights 就只是「公开了配方」，没公开「食材和厨房」。
对国内厂商而言，开源是一条换道抢跑的捷径。硬件供应链本是强项，如今把「大脑」也开源，等于把「本体+模型」打包成开发者生态的入口。 宇树 此举的深层意图，是让中国厂商从「具身智能的定义者之一」变成「通用劳动力模型底座」的候选。
行业大盘也在给这种路线提供土壤。多家机构统计，2026 年上半年全球人形机器人出货量约 1.9 万台，其中中国厂商占九成以上； 宇树 已公开上市， 智元 等头部玩家在出货量上领跑。庞大的真实部署，正是开源模型最稀缺的「训练燃料」。
当然，把路线之争简化成「开源必胜」是危险的。闭源在一致性、可追责、企业级交付上仍有优势；开源在迭代速度、生态广度上占优。短期看，两者会长期并存，真正的分水岭在于：谁的模型能最先在付费现场稳定跑满千小时。
一个值得观察的指标是「复现率」。 宇树 放出权重与代码后，第三方在 G1 真机上复现 64 项任务的独立报告，才是检验「开源是否真开源」的试金石；同样，OpenWAM、Rho 能否被社区真正用起来，也决定学界开源能否转化为产业事实标准。
回到具身智能落地的老问题：机器人能不能「把活干好」，从来不只是大脑的事。手要能造、要能扛，身体要能走、要能稳——这些硬件命题与「大脑开源」是两条并行线。 宇树 把大脑开源，是补上了其中一环，但不是全部。
结论不必宏大： 宇树 开源 UnifoLM-WLA-1.0，把「具身大脑」从闭源黑箱推到了开放擂台。谁能借开源绑定生态、借部署喂养数据，谁才真正握住下一代通用劳动力的定义权。这条路才刚开场。
本文基于公开报道整理。