Astribot 发布 Lumo-2 与真机演示

Astribot（星尘智能）在 WAIC 前夕发布第二代具身基座模型 Lumo-2，并同步推出智能体 AgentPhilia，配套公开 20+ 段真机视频。多条帖子将关注点放在它的建模路线：不是完整生成未来视频，而是先预测与任务相关的未来物理状态，再决定如何行动，这被认为更贴近机器人在真实物理世界中的执行需求。

模型设计与训练

据帖文转述，Lumo-2 是一个 4B 机器人基础模型，采用 latent world-action model，在潜空间中进行隐式预测推理，只建模对任务有用的变化，例如物体移动、接触变化或倒水结束等。为缓解单帧视觉的歧义，模型加入了短动作历史缓冲，用来判断当前处于任务的哪个阶段，再决定下一步动作。训练上，Lumo-2 分三阶段推进：先把视觉变化与机器人动作对应起来；再让动作编码通过视觉和语言获得语义；最后联合训练 VLM、视频和机器人数据，对齐动作、动力学、视觉与语言。

表现与推理效率

帖子称，Lumo-2 在多项 embodied reasoning 任务上明显超过 Lumo-1，同时在主要面向视觉语言基准的模型中仍保持竞争力。一个任务推理实验显示，只看第一帧时准确率为 43%；使用 5 个观测时提升到 94%；若只用“第一帧 + 紧凑隐式动态”，也可达到 90%，被用来说明隐藏状态保留了关键时序信息。推理侧，Lumo-2 采用 block-wise decoding，一次生成若干弱相关动作 token，而不是逐个生成 32 个动作 token；据帖文，在 1 张 NVIDIA RTX 5090 上可达到 7.7 Hz。

真机展示与外界评价

公开演示覆盖 22 项复杂家务能力，包括双机器人协作、煎蛋翻面、称重、清洗咖啡粉碗、磨豆、做咖啡、调酒、接住滚动的球、打蝴蝶结、拉拉链、叠衣服等。@CyberRobooo 认为，这批内容可算当前较强的公开真机演示之一，重点不只在动作执行，还在于对物理理解、时序推理与操作泛化能力的集中呈现。

2026-07-17 ~ 2026-07-18 · 10 条相关

一手来源