昆仑万维发布机器人世界模型 Riemann-1.0，用人类视频训练操作技能
Riemann-1.0 用海量人类视频预训练再加少量机器人数据微调，让机器人学懂物理世界交互，在多项家务基准测试中领先。
昆仑万维旗下黎曼动力推出 Riemann-1.0，一个通过观看 20 万小时人类第一视角视频学会做家务的机器人世界模型。它结合了 VLA 和世界模型两条路线，在仿真和真机测试中表现领先，尤其擅长长流程家庭任务。
正文摘录
更有意思的是，登顶的这个名字，之前几乎没人听说过： Riemann-1.0，黎曼动力 。 薄薄贴在桌面上的勺子，夹得起来；碗里剩的汤，知道先倒了再收；完事了还顺手把桌子擦干净。 视频地址：https://mp.weixin.qq.com/s/KIBoK4IAklhdmU21fCIyVg 再往上扒，黎曼动力背后站着的是 昆仑万维 ——前者正是昆仑万维专为具身智能方向成立的子公司。 答案藏在它的「食谱」里： 23.2万小时训练数据中，占大头的根本不是机器人数据，是人的视频 。 △图片由AI生成 简单总结就是，VLA属于「直觉派」，快但容易翻车；世界模型则属于「深思派」，稳但是又慢又贵。 World Action Model（WAM，世界动作模型）已经从VLA研究里的小众分支，迅速长成了机器人基础模型的第二条主路线，而下一代机器人基础模型，大概率是两者的混合体。 △图源：英伟达官方技术博客 ICML 2026上，包括LeCun团队在内的多篇论文也在往同一个方向使劲： 从海量无标注的野外视频（in-the-wild videos）里学习潜在动作世界模型。 △图源：ICML官网 把这些工作放在一起看，一条正在被越来越多团队验证的训练范式浮出水面： 先用大规模开放世界视频做预训练，让模型看遍人类怎么和物理世界打交道，攒够物理直觉；再用少量真实机器人数据做动作对齐，把直觉翻译成可执行的控制信号 。 对机器人来说，人类每天的生活就是一场不间断的操作示范。做饭、叠衣服、整理房间，这些第一视角视频里，藏着人类怎么感知环境、规划动作、处理意外的全部秘密。 实际上，行业里少部分前沿玩家已经看到了这点。比如Being-H0.7用了20万小时第一视角人类视频，Generalist AI的GEN-1更是砸了50万小时可穿戴设备采集的人类数据。