据网易《砚数·AI日报》第6期报道，2026年9月12日，宇树科技开源60亿参数VLA（Vision-Language-Action，视觉-语言-动作）多模态基座模型，单一模型可完成64类机器人感知与操控任务，权重免费开放，可用于视觉导航、物体抓取等场景的开发。
这条消息的关键不在参数量，而在"免费权重"这四个字。具身智能的试错成本长期卡在两层：一层是硬件，一层是基座模型。硬件价格这几年持续下行，基座却一直握在少数团队手里。一个五人以内的团队想验证一套抓取策略，先要解决数据采集、训练框架、算力调度三件事，做完这三件，钱和时间已经花掉大半。把基座这一层免费放出来，等于把入口从"自研"改成"调用"。
60亿参数在具身智能里算什么水平
先给结论：60亿参数放在语言模型里属于轻量级，但在VLA这类要同时处理视觉输入、语言指令和动作输出的模型里，已经能撑起相当宽的通用任务面。判断一个VLA模型是否够用，看四项。
| 评估维度 | 要回答的问题 | 对中小团队的实际意义 |
|---|---|---|
| 指令理解 | 能否听懂"把左边第二个杯子拿起来"这类自然语言 | 决定产品能不能做成对话式交互，而不是按钮式操作 |
| 感知与动作映射 | 能否从图像观测直接输出可执行动作序列 | 决定要不要自建标注与训练管线，这是最贵的一块 |
| 任务覆盖广度 | 64类感知与操控任务的可复用程度 | 决定拿到权重后多久能做出可演示的原型 |
| 权重开放度 | 是否免费、是否允许二次开发 | 决定试错成本能否从十万级降到千元级 |
四项里真正决定成败的是第二项。视觉到动作的映射是具身智能最难的一环，也是过去只有大厂和拿到融资的创业公司才做得起的一环。这次的做法是把模型训练成"单一模型多任务"：调用方不必为每个新任务单独训一版模型，要改的是指令和场景边界，而不是网络结构。
谁先受益
免费权重的直接受益者，大致分三类。
- 做垂直场景集成的小团队。仓储分拣、实验室样品搬运、园区巡检这类场景的共同点是任务边界清晰、重复度高、对通用智能要求低。这类团队过去受限于自研基座的能力，现在可以把精力放在场景理解、硬件适配和交付上。
- 高校与实验室。科研最需要可复现的基线。有了公开权重，不同论文的改进可以在同一基座上对比，而不是各说各话。
- 硬件厂商与方案商。本体出货后，客户最常问的是"买回来能干什么"。一个开源基座能让方案商快速给出几十个可演示任务，售前成本明显下降。
需要警惕的是把"开源"等同于"能商用"。权重开放在工程上解决的是起点问题，不解决数据合规、安全边界与交付责任。把这三点当成产品的一部分，而不是上线前才补的手续，是小团队最容易踩的坑。
三个可以立刻动手的方向
方向一：把64类任务拆成场景清单。不要试图一次做通用机器人。先把这64类能力与自己的目标客户逐条对齐，找出重叠度最高的十类，围绕这十类做演示和话术，其余的先放一边。
方向二：用真实场景数据做小样本微调。基座解决通用能力，差异化来自你自己的数据。哪怕只有几百条真实作业记录，也足以让模型在你的场景里明显优于通用版本，这就是小团队相对大厂的唯一优势来源。
方向三：把"能不能跑"换成"多久能跑"。客户不关心参数量，关心部署周期和单次作业成本。把这两个数字量化出来，比讲技术路线有说服力。做不到量化，说明场景还没想清楚。
三个现实边界
- 机器人不是软件。模型迭代可以按周，硬件交付要按季度，供应链与售后是绕不开的重资产环节。
- 安全责任无法外包。涉及人身安全的场景，出问题的责任在交付方，不在开源方，这一点必须在接单前算清楚。
- 开源不等于免费。权重免费，算力、数据、标注与调参的人力都不免费，预算里要留出这部分。
FAQ 常见问题
VLA模型和普通大模型有什么区别？
普通大模型处理的是文本到文本的映射，VLA模型处理的是视觉观测加语言指令到动作序列的映射。说白了，前者负责回答，后者负责动手。机器人场景无法用聊天模型直接替代VLA，原因就在这里。
60亿参数会不会太小，带不动复杂任务？
参数量的意义取决于任务类型。在固定场景的抓取、分拣、导航任务里，60亿参数已经够用，真正制约效果的是数据质量与场景覆盖度，不是参数规模。盲目追大参数，成本会先失控。
开源权重可以直接用于商业项目吗？
能否商用要以开源方公布的许可条款为准，本文不做推定。可以确定的是，工程可用不等于合规可用，涉及数据采集与人身安全的场景仍需单独评估。
总结
这次开源的实际影响，是把具身智能的入场券从"能不能自研基座"换成了"能不能找到场景"。对一人公司和小团队来说，这是少有的、不靠融资也能参与的窗口。但窗口不等于机会：谁能把场景数据和交付成本算清楚，谁才拿得到订单。
参考来源
[1] 网易.《砚数·AI日报》第6期. 2026-09-12
