零跑造出了机器人，为什么不肯拿出来遛一遛
作者 | 本一
编辑 | 德新
9月零跑汽车的技术日上，朱江明在台上抛了一个问题，很多人问他零跑为什么不搞具身智能。
他的回答是：「能遛一遛的机器人不算本事，能赚钱的机器人我们才拿得出手。」
他说零跑是最具条件做这件事的车企，但公司的理念是不炒概念，目前只做了小规模投入，处于跟随的状态。
他透露零跑已经做出了自研的机器人，同事建议让机器人上台遛一遛，被他否了。
这是公关层面的措辞，那真实的情况呢？
7 月 27 日，一篇叫 LeapBot-WA 的机器人论文传上 arXiv，方向是机械臂操作。
7 月底，零跑旗下浙江凌升动力全资设立的湖州凌升精密制造有限公司成立，注册资本 2.1 亿元，经营范围包含工业机器人制造和智能机器人研发。
零跑高级副总裁周洪涛在技术日次日的专访里透露，零跑智能技术研究院下设五个部门，数据闭环、端到端模型、量产开发、算力平台，第五个就是具身智能。机器人样机已经研制完成，人形和轮式方向都有技术储备，短期锚定工厂自动化和物流运输。
2025年3月，朱江明说过「已组建几十人的人形机器人研发团队」，「未来将主要用于整车生产线装配」。
机研所把这篇 LeapBot-WA 的论文从头到尾读完了，今天给大家拆解一下零跑目前在具身智能研究上的技术方向和成果。
一、做智驾的那批人，顺手写了篇机器人论文
在查阅论文的时候，我们发现零跑 DA-WAM 和 LeapBot-WA 的作者存在一组清晰的交集。
DA-WAM 是零跑的驾驶世界模型，零跑这边署名的是 Lang Zhang、冯铭月（Mingyue Feng）、王耀农（Yaonong Wang）。机器人这篇 LeapBot-WA，有 Nan Zheng、Lang Zhang、Yanan Zhang、冯铭月、Jiachao Liu、王耀农。
以及这两篇的核心作者都包含 Pei Liu 和 Jun Ma，均来自香港科技大学（广州），LeapBot-WA 还挂了香港科大的陈启峰（Qifeng Chen）。两篇论文的代码仓库属于同一个 GitHub 组织 LeapWM。
显然这是一次校企联合研究，港科广那个课题组在其中的分量不轻。零跑侧 DA-WAM 的三位作者全部出现在 LeapBot-WA 中，两篇的核心作者 Pei Liu 和 Jun Ma 也重合。至少从署名看，做智驾世界模型的研究者参与了这次机械臂研究，但仅凭作者名单无法判断两支团队的完整人员构成。
二、一条少有人走的路
LeapBot-WA 论文摘要开头就阐明了作者对世界模型的立场。
论文原话是：「依赖像素级视频生成造成了根本性瓶颈，强迫模型去重建与任务无关的视觉细节，会耗散表征能力，并让策略在视觉干扰面前变得脆弱。」
「机器人操作」这个方向现在有一类模型叫世界动作模型，缩写 WAM。它和智驾圈说的世界模型是同一个思路，都是让模型在动手之前先推演一遍接下来会发生什么。智驾推演的是路口、车流和自车轨迹，机器人推演的是手往哪移动、物体会被推到哪里。
主流做法是在像素空间里完成这次推演，也就是生成未来的视频帧，模型一边预测画面一边输出动作。英伟达的 Cosmos Policy、腾讯 Robotics X 参与的 ImageWAM、蚂蚁灵波的 Lingbot-VA 都走的是这条路。
零跑选择的是另一条技术路线。
论文中，表 2 把世界动作模型分成 Pixel Space WAMs 和 Latent Space WAMs，零跑属于后一个分类，只在潜空间里预测状态，全程不重建画面。（注：这是零跑自己的分类，不代表行业共识。）
不重建画面，推演靠什么完成？
零跑的做法是用 Meta 的 V-JEPA 2.1 做底座，在机器人轨迹上做 LoRA 微调，构成一个叫 Predictive Anchor 的预测锚点。JEPA 这套架构只在潜空间里做预测，它学的是物理状态怎么转移。锅从左边挪到右边，它记下来的是一个物体发生了水平位移，锅的反光和桌布的花纹不进入它的表征。
这中间有个接口问题。
JEPA 输出的特征强结构化而且非高斯，下游的扩散模型要的是各向同性高斯先验，两边直接对接会让去噪轨迹漂出流形。零跑为此设计了 ISAE——各向同性语义自编码器，把 JEPA 特征压进一个 96 维的扩散友好潜空间。训练时用了三项约束，一个带余弦项的重建损失保证特征不失真，一个 KL 散度把后验往标准高斯上拉，还有一项正则专门防止维度塌缩。
第三块设计更有意思了。它决定了这条路线的成本结构。
LeapBot-WA 用了一个非对称混合专家结构，里面有两个分支。Anchor DiT 负责预测语义怎么演化，Action DiT 负责生成动作。训练的时候，Anchor DiT 通过非对称掩码注意力把动态蒸馏进 Action DiT，掩码只允许动作分支去读语义分支，反向不通。
到了推理阶段，Anchor DiT 整条剪掉。论文里把这个叫做「零开销执行」（zero-overhead- execution）。推演未来这件事只发生在训练阶段，机器人干活时不再推演未来，只从当前画面取一次语义特征。
推演到底有多贵，做智驾的朋友应该都有体感。
生成式世界模型每推进一步都要产出一批未来帧，帧数、清晰度、时序连贯性，三项都会推高算力开销，这在资源受限的部署平台上尤其敏感。
论文给出的 LeapBot-WA 推理延迟是 546 毫秒，比同类像素派的 Lingbot-VA、Motus 快约九成。这里的「零开销」特指推理时剪掉未来动态预测分支，并不意味着整套模型没有推理开销。零跑的选择是把预测未来动态的重分支留在训练期，部署时仍需从当前画面提取一次语义特征并生成动作。
两个分支各 30 层，隐藏维度 1664，24 个注意力头，24 张 H200 训练，总参数 2.9B。
三、零跑为这条路线付出了什么？
任何技术路线都有取舍。零跑选的是推理阶段零开销，那它在别的指标上表现如何，LeapBot 论文里有三张表写得很清楚。我们一张一张看。
第一张是 LIBERO，机械臂操作最常用的仿真基准，4个子集合计40个任务。
这张节选表比的是绝对精度，零跑在列出的七个模型中排在末位；完整表中仍有低于它的模型。论文里说的是，在所有 predictive WAM 中最好，加粗也只在潜空间那一栏内部进行。
第二张是 RoboTwin 2.0，比 LIBERO 难一些，50 个双臂协作任务，两只手要配合，而且分干净环境和随机化环境两栏分别测。随机化那一栏会把光照、材质、干扰物、物体摆放全部打乱。
上面表中所列模型只是节选，原论文中提供了 13 个模型的表现作为对照参考。
这张表中，零跑在一个类别的成绩最为突出。请看最后一列，论文原表的 13 个模型里，环境被打乱之后成绩还能往上走的只有五个，零跑的 +1.44 是其中最大的增幅。大部分模型在随机化之后往下掉，但零跑不降反增，是往上走的。
零跑的平均成绩是 91.76，比 Qwen-RobotManip、AttenA+ 和 Lingbot-VA 都低，这三个模型都做过大规模机器人轨迹预训练，零跑这一栏的预训练标记是「无」。同样做过预训练的 π0、π0.5 和 Being-H0.7 则低于零跑。
结论是，零跑在没做预训练的前提下，超过了一部分做过预训练的模型，但并没有超过这一类里最强的那几个。同样没做预训练的 Fast-WAM 均分略高于零跑（91.85），零跑胜在随机化上的成绩。
第三张表涵盖的信息量最大，也是暴露零跑技术取舍结果最充分的一张。LIBERO-Plus 把泛化能力拆成七个扰动维度分别打分，看模型在没见过的条件下还能保留多少性能。
总成功率零跑落后九到十个点，但零跑比 Fast-WAM 高二十多个点。七个维度拆开看，差距分布得很不平均。
机器人初始状态这一项，也就是把机械臂开局时的姿态和位置打乱，零跑拿到 75.1，两个像素派分别是 50.3 和 63.3，领先幅度在 11.8 到 24.8 个点之间。换背景零跑也是三者最高（90.1）。在另外两项，换摄像头视角和加噪声这两项，表现不佳，其中换摄像头视角零跑只有 33.8，落后 42.0 和 47.0 个点；加噪声 54.7，落后 38.0 和 39.1 个点。
需要说明的是，表里写作「Robot」的这一项，LIBERO-Plus 原论文的定义是机器人初始状态扰动。整个测试始终用的是同一台仿真机械臂，并不涉及更换本体，所以这项成绩说明不了零跑的模型能在机械臂、轮式和人形之间迁移。
四、为什么这两项落了下风？
论文没有直接解释为什么这两项明显落后。一种可能的机制解释与 JEPA 的表征方式有关。
潜空间里保存的是手和物体之间相对关系的演化，这套关系需要从图像里反推出来。视角一改变，同样的物理关系投到画面上就完全变了样。一个可能的解释是，像素派的模型在训练中见过大量不同视角的画面，投影关系已经写进了权重；零跑这套没有这一层，必须在推理时现场把关系还原出来，还原不出来动作就停在那儿。加噪声掉到 54.7 是同一个机制，噪声干扰的正是从画面到关系这一步推断。
消融实验的实验结果同样值得一提。三个组件全部去掉的时候平均 89.4，全部加上 92.0，三个组件合计带来的增益是 2.6 个点，其中加入防塌缩正则之后，Goal 子集反而从 92.4 掉到了 89.2。
不过，零跑表现不佳的这两项扰动，在它锚定的场景里通常更容易被工程化控制。
按照周洪涛的描述，零跑短期锚定工厂自动化和物流运输。周洪涛在专访里明确说，不考虑商超导购、家政服务等通用场景。
相比开放服务场景，工厂和仓库的视角、光照、背景和人员干扰通常更可控，部分固定工位还可以让摄像头长期保持不动；但这不等于所有工业现场都没有这些扰动。
零跑成绩最差的两项，恰好是在固定工位里相对容易控制的条件。短板还在，只是在它选的场景里没那么致命。
商超导购的条件刚好相反，摄像头可能跟着机器人移动，人流也会形成持续的视觉干扰，正好落在 33.8 和 54.7 这两个结果所代表的能力短板上。
五、和同行们的路线差异
我们核对了这篇论文的对比模型，结果出乎我们的预料。
表 1 和表 2 去重后一共对比了 19 个模型，来自英伟达、Physical Intelligence、阿里通义与高德、腾讯 Robotics X、蚂蚁灵波、地平线、**诺亚方舟、星海图、智在无界，以及清华、北大、斯坦福、港科广等高校。
这里边没有任何一家车企。小米、理想的机器人论文其实和零跑跑过同一个 LIBERO，小米 Xiaomi-Robotics-0 的成绩是 98.7%，但零跑没有把它们放进来对比。
按技术路线归类，用于具身智能的世界模型大致分三派。
像素生成派，规模最大。
小米的 Xiaomi-Robotics-U0 是 380 亿参数的多模态自回归模型，把具身生成当作基础图像和视频生成的延伸来做。小鹏的 XPACE 说得更直接，论文提出的核心洞见是，视频预测既能把异构经验连接到动作学习，又能生成新经验用于策略改进，实验是在自家 IRON 人形机器人上完成的。
潜空间预测派的人不多。除了零跑，VLA-JEPA、PALM 出自高校，JEPA-VLA 有**诺亚参与，产业方里走得最远的是创业公司智在无界的 Being-H0.7。
第三派不依赖世界模型，直接把真机数据规模做大。小米的 Xiaomi-Robotics-1 用了超过 10 万小时 UMI 采集的真实操作轨迹做预训练，配一条自动标注流水线。
小米和零跑正好站在这条轴的两端。一头是 10 万小时真机数据加 380 亿参数，另一方在论文里明确写着不需要大规模轨迹预训练。
理想还提供了一份可以当交叉验证用的材料。
它 7 月发布的 VLAFlow 是一项受控对比实验，在同一个 π0 式架构、同一个视觉语言骨干、同一个 14 维动作空间下，用约 5000 小时异构语料比较了四种预训练范式。其中的 MindWPI 做的正是未来潜特征对齐，也就是零跑这一派的核心机制。
理想给出的结论是，未来潜特征对齐确实改善了状态转移和动作后果建模，但单独用的时候稳定性不够，和语言监督结合之后整体迁移表现才最好。
像素派内部其实也在权衡成本。
腾讯 Robotics X 参与的 ImageWAM 论文，标题是一个问句：世界动作模型真的需要视频生成，还是图像编辑就够？它和零跑的出发点一致，都认为生成开销太高，区别在于 ImageWAM 和 Fast-WAM 都已经在推理时跳过画面生成，零跑的不同在于训练时也不在像素空间学，从头到尾都在潜空间里。
六、进军具身，零跑想干什么？
我们再回到零跑自己的语境里，现在看这套取舍的动机就比较清楚了。
朱江明 2025 年 12 月底谈工厂自动化时给过一条标准，投入自动化设备必须能在三年内通过节省的人力成本收回投资，做不到就不做。这条标准决定了零跑的机器人从研发的第一天起就要开始算账。
账目的第一项是算力。零跑长期强调在成本受限的平台上部署智驾能力。论文没有说明 LeapBot-WA 的路线由成本目标直接决定，但把未来动态预测留在训练期、在推理时剪掉重分支，和零跑一贯的成本逻辑是一致的。
第二项是数据。LeapBot-WA 在 RoboTwin 上没做大规模机器人轨迹预训练，成绩仍超过了一部分做过预训练的模型。对一家不打算先砸钱采十万小时真机数据的公司来说，这比榜单上的名次更实用。
第三项是场景。工厂和仓库的扰动通常比开放服务环境更可控，零跑在视角泛化和抗噪能力上的短板，可以通过固定工位和环境管理部分规避。选这条路线不等于永久放弃通用服务市场，但至少说明零跑眼下优先考虑的是封闭场景里的成本和落地效率。
把这三个方面拼起来，我们会发现，零跑做机器人的逻辑和它做车是同一套，先用架构把成本压到能落地的位置，再等场景和本体价格往下走。
七、论文里的机器人，是一台买来的机械臂
按这个逻辑往下推，零跑现在应该已经在自家样机上验证了这条技术路线。但从这篇 LeapBot-WA 论文里，我们并没有找到蛛丝马迹。
LeapBot-WA 的真机实验用的是一台 UR5，优傲的标准协作机械臂，公开销售，谁都买得到。
论文第五张图里，这台 UR5 正在把香蕉和杨桃放进容器，论文拿这两种水果举例，一个是弯的，一个截面是星形，用来说明模型能处理形状不规则的物体。
按照周洪涛和朱江明透露的，零跑的机器人样机已经研制完成，但这篇论文的实验对象并不是这台样机。
样机已经研制完成，真机验证却选了一台最常规的工业机械臂，是样机还没到能跑这套模型的状态，还是跑了但没写进论文，这是我们比较困惑的地方。
与此同时，论文对应的开源代码也没有放出。leapbot-wa 仓库建在 GitHub 的 LeapWM 组织下，两次提交，README 正文只有一句 comming soon（原文如此），既没有代码，也没有模型权重。论文 7 月 27 日上传，到现在将近两个月。同一个组织下还有一个 levelk-wam 仓库，一次提交，零星标，同样是空的。
这个阶段，同行们都干了些什么？
小鹏的机器人论文在自家 IRON 人形机器人上完成实验，小鹏机器人业务首轮股权融资超过 9 亿美元。9 月 8 日，小鹏宣布机器人生产线在广州启用，首台由该产线制造的 IRON 自主走下产线；官方最新信息是 2026 年底进入规模量产阶段，2027 年面向中国及海外市场上市交付。
小米的机器人从年初开始在自家汽车工厂实训，自攻螺母上件的成功率一个季度从 90.2% 提到 98%，Xiaomi-Robotics-0 完整开源。
但零跑目前公开可核验的机器人研究成果仍主要是这一篇论文，实验对象是一台商用 UR5 机械臂，GitHub 仓库写着「敬请期待」（comming soon）。
朱江明说能赚钱的机器人才拿得出手。
按他自己给的三年回本标准，那台已经研制完成的样机，可能现在还没有找到好的，能商业化的场景。
参考资料
零跑 2026 技术日朱江明现场发言与问答，2026 年 9 月 16 日
LeapBot-WA: World-Anchor Action Models via Predictive Latent Alignments，arXiv:2607.23969
DA-WAM: Decision-Aligned Future Latents for Driving World Models，arXiv:2608.19085
Xiaomi-Robotics-U0，arXiv:2607.11643；Xiaomi-Robotics-1，arXiv:2607.15330
XPACE，arXiv:2609.17372；AnyWorld，arXiv:2608.29242
VLAFlow，arXiv:2607.01586
ImageWAM，arXiv:2606.19531
LIBERO-Plus: In-depth Robustness Analysis of Vision-Language-Action Models，arXiv:2510.13626
免责声明：上述内容仅代表发帖人个人观点，不构成本平台的任何投资建议。
