1B参数击败π0，中国团队登顶全球具身智能榜单

优艾智合（Youai Zhixing）研发的轻量化视觉-语言-动作模型 FabriVLA，以 1B 级参数在 Evo-SOTA 榜单的 Meta-World MT50 多任务操作基准中拿下 90.0% 的 tier-average 成功率，超越包括 Physical Intelligence 出品的 π0 在内的一众主流模型，登上榜首。值得注意的是，参数量仅 1B 的 FabriVLA 并未依赖大规模机器人数据预训练，而是通过单阶段联合训练实现 SOTA，其轻量化设计也为边缘端部署提供了可能。

架构创新：两个关键设计

Meta-World MT50 涵盖抓取、放置、推动、开门、插拔等 50 类复杂操作任务，考验的是机器人在不同任务间的多任务能力与操作稳定性，这与工业产线对通用性的需求高度吻合。

FabriVLA 并未走盲目堆参数的路线，而是围绕机器人操作任务重新设计了神经网络架构，提出了两项关键创新：

• 门控自注意力机制：让模型预测出的动作序列前后互相参照，通过渐进式门控学习时序衔接，使装配类长序列动作执行更连贯。
• 深浅层视觉特征融合：同时提取高层语义与低层几何/边界细节，提升插拔、组装等精细工序的一次成功率。

消融实验显示：移除深浅层特征融合后，tier-average 成功率从 90.0% 降至 82.9%；门控自注意力则是动作头中贡献最大的组件。这两项设计均经过严格验证，说明性能提升来自架构层面的深度优化，而非参数堆叠。

从 FabriVLA 到工业大脑 FabriX

FabriVLA 证明了轻量化 VLA 模型具备复杂操作的泛化能力，但要进入真实工厂，还需要一个能长期稳定运行的「工业大脑」。这正是优艾智合推出 FabriX（智合）的初衷。

FabriX 并非 FabriVLA 的简单工业版，而是围绕真实生产环境重新设计的工业具身智能技术基座，采用 Edge + Local 双重架构：

• FabriX-Edge（边缘服务）：基于工业真机数据训练的多模态 MoE 基座模型，负责理解订单需求、工艺流程与现场全局状态，负责复杂任务的拆解、路径规划与资源协调。
• FabriX-Local（本地执行）：将物理机理控制中的确定性规则作为先验知识，结合 Affordance 交互数据引导机器人完成具体动作，同时设置安全约束。

为应对工业大模型的「幻觉」风险，FabriX 引入了两项核心机制：

• 确定性先验蒸馏：将传统工业感知算法中的几何信息、空间关系等能力，通过工业专用感知编码器注入 VLA 模型，让机器人既具备端到端泛化能力，又拥有工业算法的精度。
• 约束锚定智能体：把订单、工艺规则与现场约束转为可验证的形式化约束，复杂优化问题交由专业求解器处理；采用任务条件确定性路由激活对应专家模块；所有输出还需经过「模型推理 + 规则校验」双回路判卷，异常时可自我感知与恢复。

人形机器人「隙锋」与商业落地

搭载 FabriX 的工业原生人形机器人「隙锋」同期发布。该机型出厂即具备抓、取、握、拿等基础原子技能，进入工厂后仅需少量岗位数据适配即可上岗，并支持 24 小时周期的循环自训练，实现技能跨场景迁移。

硬件层面，隙锋配备三项核心专利：静流悬挂机构（适应跨楼层、电梯与复杂地形）、自研 MAIC 系统（毫秒级响应算力载体）、畅驭运动系统（全向运动底盘，支持侧向横移与原地转身）。

商业进展方面，隙锋首发当日获得 4000 台意向订单，优艾智合提出「3 年内赋能 10000 个工业现场」的目标。过去 9 年，该公司在半导体、能源化工、锂电等高壁垒行业完成 800+ 真实场景交付，产品覆盖 30 多个国家和地区，工业移动操作机器人全球市占率领先，复购率超过 70%。

行业分叉：参数竞赛转向架构竞赛

FabriVLA 用 1B 参数登顶 SOTA 的案例，折射出具身智能领域正在从「参数竞赛」走向「架构竞赛」的转向。对工业场景而言，更小的模型意味着更低的推理成本与部署门槛，机器人不再完全依赖云端算力，可满足产线对实时性与稳定性的苛刻要求。

具身智能行业正站到一个关键分叉口：一边是资本市场对通用 AGI 与超大规模模型的想象，一边是工业现场对稳定性、节拍与安全性的现实拷问。参数规模决定模型上限，但真实世界的数据、工业场景的经验，以及智能与物理系统的结合能力，才真正决定机器人能走多远。