穿越技術周期，星海圖沉淀為模型而生的基石

作者：彭堃方

編輯：呂鑫燚

出品：具身研習社

模型復現難，是多位具身智能從業者對具身研習社表達過的產業桎梏。

具體而言，由于硬件的不穩定性或性能較差導致模型能力難以在真實任務中復現。更關鍵的是，無論是企業研發還是科研機構都經歷過硬件“月拋”的無奈，不僅拖累研發進度也在推高研發成本。

這是深嵌于具身智能產業的痛點，硬件夠用、量夠大但不夠完美、不夠懂模型。這也為具身智能發展給出了更具象的圖譜，模型能力迭代固然重要，但與之匹配的硬件平臺也同樣關鍵。

這使得硬件的角色正發生微妙變化：由原來能力展示的載體，而成為模型訓練、部署與迭代的基礎設施。

在這樣的背景下，行業開始重新評價一類看似“不激進”的產品，即那些不頻繁改變形態，卻持續優化穩定性、數據質量和可部署性的硬件平臺。

星海圖 2026 款 R1 系列輪式雙臂機器人的發布，正處在這一轉折點上。當海外仍在以“更像人”為賣點時，星海圖選擇把重心放在穩定性、數據能力和可部署性上，本質上是在為模型和應用負責，而非為展示負責。

很明顯，星海圖 R1 已成為一款“經典產品”。

從 R1 系列的升級路徑就能看出，星海圖并未重新設計本體形態，而是在成熟架構上直擊開發者痛點做精準迭代。這恰恰說明，它已經不需要依靠外觀或結構創新來證明自身存在感，而是通過持續優化底層能力鞏固其作為具身智能“硬件基石”的地位。

這種克制而精準的迭代，也在側面印證一個判斷：R1 系列已經完成從“新品”到“基石”的轉變。它不再是一個需要被驗證的技術方案，而是一套被反復驗證、可以持續復用的基礎設施。更重要的是，這種基礎設施正在悄然拓寬邊界，從開發者工具演進為真正的生產力載體。

具身智能產業，人形機器人已經有數百款，幾乎每天都有新的硬件誕生。可以說，在今天的具身智能領域，“新硬件”并不稀缺，企業更過了靠發布硬件去吸引觀眾眼球、博來投資人的關注的階段。行業內真正看重是經過真實世界驗證、能夠長期穩定運行的、有效激發模型能力的硬件體系。

不盲目求新、不頻繁推翻架構，而是將重心放在實用體驗與底層能力的持續優化上，這種極具戰略意義的“克制”正造就一批經典。

而星海圖的 R1 系列之所以被稱為經典，就在于它形成了一套高度匹配當前技術階段的底層架構。這套架構既能支持前沿算法研究，也能承受長時間、高強度的數據采集與任務執行，是少數同時滿足科研與工程需求的平臺。

作為具身智能硬件的“標桿模板”，R1 系列已經過 Physical Intelligence、斯坦福 AI 實驗室和李飛飛團隊以及英偉達、南洋理工大學等全球頭部具身智能團隊的實戰檢驗，真正摸清了模型落地的硬件底層邏輯。

當業內部分廠商還在爭論“自由度是否越多越好”“是雙足還是輪式更適合干活”時，R1 已在李飛飛團隊發起的首屆 BEHAVIOR 家務挑戰賽中，作為唯一的統一本體，在 50 項完整家務任務中驗證了其復雜操作的魯棒性。而當業內還在為探討需不需要“五指操作”時，英偉達發布了靈巧手操作框架 EgoScale，星海圖提供 R1 Pro 機器人作為核心驗證平臺，為 EgoScale 框架的真實世界實驗提供了環境支撐，助力從大規模人類視頻數據中習得的精細操作能力在物理世界中落地驗證。

其實，過去幾年大量頂尖團隊和賽事選擇基于 R1 進行實驗和驗證，本質上是因為它穩定、可復現、可比較。對于算法研究而言，硬件的一致性往往比單機性能更重要。只有在穩定平臺上得到的結果，才具備跨團隊、跨場景的參考價值。

更深層的意義在于，這種長期使用形成了工程經驗的沉淀。具身智能不同于純軟件領域，真實世界中的誤差、磨損、裝配差異、信號噪聲等因素都會影響系統表現。只有經歷大量實際運行，才能摸清哪些參數真正關鍵，哪些設計能夠支撐長期使用。這些經驗難以通過論文或參數復制，往往構成隱性的技術壁壘。

與此同時，R1 在數據采集方面形成的成熟實踐，使其不僅是一個執行工具，更是數據生產系統的一部分。對于依賴真實世界數據訓練的具身模型而言，穩定的采集平臺決定了數據質量和一致性，而數據又直接決定模型的上限。因此，硬件的價值不再只是“能完成任務”，而是“能持續生產高質量數據”。

透過R1過往沉淀可見，其價值絕不止步于硬件本身，而是服務于模型。

正因如此，R1 的“不過時”并非停滯不前，而是建立在精準匹配模型需求之上的持續優化，使其能夠在技術路線不斷變化的情況下仍保持適用性。

如果說早期 R1 的價值在于提供研究平臺，那么 2026 款升級則明顯指向一個新的目標：支撐具身模型落地應用。

這次升級并未試圖重構機器人，而是圍繞數據質量、標定一致性、端側算力、導航能力和可靠性等關鍵環節進行強化。

這些改進看似分散，實際上共同指向模型落地過程中最常見、也最難解決的問題。可以說升級的R1，是完全從模型落地痛點中生長出來的。

首先是數據能力的提升：R1 將原生圖像分辨率（ 提升至 1920x1536）、幀率（15 幀提升為 30 幀）大幅提升，更高分辨率和更高幀率意味著模型能夠獲得更完整、更連續的環境信息。在前沿的模型范式下（如世界模型），此舉將大幅提升對模型預測的數據支撐；

其次是整機出廠標定帶來的一致性。這一點對規模部署尤為關鍵。現實中的機器人并非完全相同，即使是同一型號，也會因裝配和傳感器位置差異產生行為偏差。如果每臺設備都需要單獨調校，模型就難以推廣。統一標定相當于建立了跨設備的“共同語言”，使模型可以在不同個體之間遷移并復現效果；

端側算力的標配，則標志著系統從依賴實驗環境轉向面向實際應用。具身智能在真實場景中往往需要低延遲和高可靠性，而云端依賴會帶來網絡不穩定、隱私風險和成本問題。本地運行能力意味著機器人可以在更廣泛的環境中獨立工作，這是從演示走向生產力的重要一步。目前，Lite 和 Pro 版本均標配端側算力，可端側運行星海圖已開源的 250M 參數規模的端側小模型（G0 Tiny VLA 模型）；

導航能力的標準化同樣意義重大。許多機器人具備操作能力，卻無法完成完整任務流程，因為它們缺乏穩定的移動系統。將導航作為基礎功能提供，使開發者可以直接構建“移動 + 操作”的復合任務，而無需從底層重新開發，這也符合當前模型落地時面臨的普遍場景需求；

最后，可靠性優化則是產業應用的底線。高強度測試、結構強化和壽命設計并不吸引眼球，卻決定了設備能否長期運行。對于企業用戶而言，一臺不穩定的機器人即使能力再強，也難以投入實際業務。

綜合來看，這些升級并非追求技術炫耀，而是針對真實部署中的痛點進行系統性補強，使硬件從研究工具逐漸轉變為可持續運行的工作平臺。

當R1成為模型驅動的硬件平臺時，其產業邊界也逐漸從開發者標桿，變成生產力首選。

星海圖近年來構建的，是一條覆蓋數據采集、模型訓練、算法驗證到場景落地的閉環鏈路。硬件只是其中的核心節點，用于連接真實世界與具身模型。

在模型層面，去年 8 月，星海圖便提出了快慢雙系統架構 G0，將高層規劃與低層執行分離，使機器人能夠處理長程復雜任務。該模型訓練策略上的跨本體預訓練、單本體適配和任務微調，則試圖解決“通用性與專用性”的矛盾。在模型評測上，星海圖 G0 全面超越 π0，全身動作、長續任務、柔性操作、語言理解優勢突出，并在部分任務上實現了高達 20% 的性能提升。

目前 G0 系列模型仍在持續更新，包括 G0 模型升級版“G0 Plus”，該模型在“萬物抓取（Pick Up Anything）”demo 中展示了在 Zero-shot 場景下的通用操作能力，無需針對具體物體或任務進行單獨訓練，R1 Lite 能夠基于自然語言指令，在真實、開放環境中完成多樣化抓取與操作任務，具備開箱即用的特點。

更關鍵的是數據與應用的循環。開放世界數據集（Galaxea Open-World Dataset）、面向開發者的一站式具身智能開發平臺 EDP（Embodied Development Platform） 以及真實業務場景的持續使用，使模型能夠在實際環境中不斷獲得反饋并優化。這種閉環機制，使技術不再停留在實驗室，而是在真實世界中逐步成熟。

隨著應用拓展到工業、物流和康養等領域，R1 也從開發者工具轉變為產業載體。它不只是用來驗證算法，而是直接參與生產流程，承擔具體任務。

今年 3 月份，在北京亦莊打造的全球首個智慧康養機器人養老驛站中，依托 G0 Plus，星海圖 R1 Pro 能夠實時完成疊衣服、倒水等生活康養任務，直觀展現了大模型數據采集與訓練機制如何支撐起機器人當前強大的泛化能力。這種轉變意味著硬件的價值不只體現在性能參數上，在支撐長期運行和持續圍繞模型落地場景需求升級中，也可見真章。

總之，星海圖 R1 的 “經典”，本質是對具身智能產業需求的精準洞察。從硬件沉淀滿足開發者基礎訴求，到迭代升級匹配場景落地痛點，再到全棧能力支撐產業規模化應用，每一步都回應著產業從 “技術驗證” 到 “生產力轉化” 的核心期待。這款 “不過時的經典”，正成為具身智能產業從實驗室走向規模化落地的關鍵基石。

從更長的技術周期來看，具身智能的競爭或許并不會由某一次突破性模型或某一種機器人形態決定，而更可能取決于誰能夠建立穩定連接模型智能與物理世界的基礎設施。

軟件可以快速迭代，算法可以不斷更新，但真實世界具有慣性。摩擦、磨損、誤差、環境變化與不可預測性，使得任何智能系統都必須依附于可靠的物理載體才能持續發揮作用。能夠長期運行、持續產生數據并支持模型進化的硬件平臺，本質上構成了具身智能時代的“基礎層”。

從這個意義上看，一款“經典”硬件的價值，是它讓不斷變化的算法擁有穩定的落腳點，讓一次次模型進步都有跡可循，讓智能逐漸沉淀為生產力。對于星海圖 R1 來說，“經典”不是終點，而是一種能夠穿越技術周期的起點。