7 月 8 日，国际机器学习顶会 ICML 正式召开，北京人形机器人创新中心（下称：北京人形） 联合北京航空航天大学、北京大学等团队自研视觉语言动作（Vision-Language-Action，VLA）通用基座模型 XR-1，并在大会宣讲专题报告。该成果从全球海量投稿中脱颖而出，入选全部录用论文前 0.7%（Oral），代表中国具身智能 VLA 技术站上全球 AI 学术前沿，为行业标杆平台「慧思开物」突破最强大小脑底层核心能力，筑牢我国具身智能国家队技术护城河。

ICML 大会程序主席针对 XR-1 的论文也给与了极高评价，他评价到：大会所有审稿人一致认为这是一项高质量工作，对具身智能领域具有重要意义。尤其亮眼的是，作者在实体机器人平台上开展了大量真实场景实证实验，同时开源配套数据集与模型，建议毫无保留地接受这篇论文。（"All reviewers agree that this is high-quality work, which is of great interest to embodied AI community. Especially the extensive empirical evaluation on real-world robots and the authors to open source their dataset and model stand out. I recommend accepting this paper without any reservations."）

作为国家级具身智能创新平台，北京人形肩负突破机器人感知、决策、运动控制全链路核心技术、打通产学研用落地闭环的国家使命。北京人形围绕通用机器人平台「具身天工」、通用具身智能平台「慧思开物」 双平台协同体系，打造全栈自研的具身智能通用底座技术。本次亮相 ICML 的 XR-1，正是「慧思开物」最强大小脑体系的核心自研 VLA 基座模型。

首创 " 统一视觉 - 运动表征 " UVMC 方案，直击行业三大核心痛点

当前全球 VLA 模型普遍存在三大行业瓶颈，严重制约人形机器人规模化落地：一是模态错位难题，视觉感知、运动动作分开训练，图像信息无法精准映射机器人关节控制，厘米级误差直接导致抓取、装配、堆叠等精细任务失败；二是异构数据割裂，人类视频、多型号机器人实操数据表征空间互不兼容，海量公开数据无法互通复用，训练成本居高不下；三是跨本体泛化薄弱，单模型仅适配单一机械臂或机器人，全新机型、全新任务需要大量数据重新微调，通用性极差。

针对上述痛点，XR-1 团队提出全新三阶段训练框架，核心创新为统一视觉 - 运动隐式表征 UVMC（Unified Vision-Motion Codes），彻底打通视觉观测与机器人动作之间的鸿沟：

1. 阶段一：统一视觉 - 运动编码预训练。构建共享离散隐空间，同步学习视觉潜表征、运动潜表征，对 Ego4D 人类视频，Open X-Embodiment、RoboMIND 等知名开源具身数据集，自研机器人实操数据集等异构数据统一编码，让人类动作、多机器人操控数据实现互通互补，解决跨具身数据无法协同训练的行业痛点。视觉编码器提取环境动态特征，运动编码器解析精细动作序列，通过量化编码生成统一 UVMC 特征码，同时完成画面重建、动作序列双向重构约束。

2. 阶段二：UVMC 表征引导多模态预训练。将统一视觉运动词元（Token）嵌入视觉语言大模型，搭配文本指令、环境观测 Token 联合训练，引入 KL 散度损失对齐视觉与运动模态，消除感知与动作的表征偏移，让模型真正理解 " 看见什么、该做什么 " 的内在关联。消融实验证实，KL 对齐损失可将任务平均成功率提升近 20 个百分点。

3. 阶段三：多机型任务微调部署。基于少量真机演示数据完成下游任务微调，实验验证了单臂、双臂人形、协作机械臂等 6 类机器人快速适配，仅需 20 条演示样本即可实现全新任务少样本落地，大幅降低真机数据采集成本。

全域真机实测验证硬核实力，全面超越国际主流 VLA 基线

团队完成 14000+ 次真实机器人实操推演，覆盖 6 类主流机器人本体、120+ 工业与家用实操任务，包含堆叠、装配、擦拭、抓取、开合器具、物料转运等复杂双臂精细作业，与 π0.5、RDT、GR00T-N1.5 等多个国际顶尖 VLA 基线模型开展对标测试，性能实现全方位领先：

1. 跨本体通用能力断层领先：在天工人形机器人场景，XR-1 任务平均成功率达 74%，较 RDT 提升 32 个百分点；单臂 UR-5e 机械臂场景成功率 75%，领跑全部基线；面对从未参与训练的全新机器人机型，零样本适配成功率较主流模型提升超 40%，真正实现 " 一套小脑适配全品类机器人 "，夯实慧思开物 " 一脑多机 " 核心优势。

2. 少样本学习能力大幅突破：仅提供 20 次人工演示样本的少样本场景下，XR-1 在全新装配、堆叠、倾倒物料等未见过任务中平均成功率稳定 70% 以上，ACT、DP 等主流模型多数任务成功率不足 40%，大量场景直接任务失效，充分验证统一 UVMC 表征强大的知识迁移能力。

3. 复杂未知场景强泛化：针对全新杂物、未知簸箕、变化光照、动态干扰、陌生背景五大极端未见过场景测试，XR-1 任务稳定完成率远超基线模型。面对动态遮挡、物体形变、环境光线突变等工业、家庭真实干扰场景，毫米级精细操控鲁棒性显著提升，彻底解决传统 VLA 模型 " 实验室好用、现实场景失灵 " 的精度鸿沟。

4. 异构数据协同增益显著：消融实验明确验证：融合 Ego4D 人类日常视频数据参与预训练后，模型整体任务成功率提升 10 个百分点；随着预训练数据集规模扩大，XR-1 性能呈现稳定线性增长，具备极强的数据缩放潜力；仅使用视觉单独表征、仅使用运动单独表征的模型性能均大幅下滑，证明统一视觉运动表征 UVMC 是打通大小脑协同的关键核心。

夯实慧思开物最强大小脑底座，彰显具身智能国家队自主创新底气

作为「慧思开物」最强大小脑核心基础模型，XR-1 的顶会突破，完整补齐平台 " 大脑理解世界、小脑精准执行 " 的技术闭环，持续强化「慧思开物最强大小脑」行业定位。2025 年 11 月，北京人形慧思开物平台的 XR-1 模型就在中国电子技术标准化研究院国家标准测评中，成为行业首个且唯一一个通过测试的 VLA 模型，获得 CESI-CTC-20251103 具身智能测试证书。

同时，XR-1 全套技术方案、数据集、代码已全面开源开放，匹配北京人形具身智能全链路开源生态战略。项目配套开源仓库、项目主页已正式上线，面向全球高校、科研机构、产业开发者开放 UVMC 统一表征、多机型训练框架，结合 RoboMIND 1/2 开源数据集等全链路要素，助力具身智能产业协同攻关。

作为国家地方共建具身智能机器人创新中心，北京人形始终以具身智能国家队身份承担关键核心技术攻关任务，依托「具身天工」硬件本体、「慧思开物」通用软件双平台协同发展路线，持续在视觉语言动作、人形运动控制、多机协同、通用世界模型等前沿领域持续攻坚。本次 XR-1 登顶 ICML 全球前 0.7%，是我国具身智能底层算法走向国际顶尖学术舞台的标志性成果，标志着我国在机器人感知 - 动作一体化通用模型赛道实现自主领先。

未来，北京人形将持续迭代 XR-1 系列 VLA 模型，深度赋能「慧思开物」最强大小脑平台，持续打磨行业领先的最强大小脑协同体系，推动人形机器人、工业协作机械臂在 3D 五大场景规模化落地，以自主可控核心技术，引领全球具身智能产业创新发展。

XR-1 相关链接

论文：https://arxiv.org/abs/2511.02776

项目：https://xr-1-vla.github.io/

代码：https://github.com/Open-X-Humanoid/XR-1

模型：https://huggingface.co/collections/X-Humanoid/xr-1

RoboMIND 数据集：https://modelscope.cn/collections/X-Humanoid/RoboMIND20