UnifoLM-WLA-1.0

UnifoLM-WLA-1.0 är Unitree Robotics nya grundmodell för humanoida robotar. Det är en så kallad VLA-modell (vision, språk och handling) med 6 miljarder parametrar: den ser genom robotens kameror, förstår en instruktion i text och räknar ut robotens rörelser. Enligt Unitree styr en och samma modell 64 uppgifter, både vid ett bord och med hela kroppen, och fungerar med såväl tvåfingrade gripdon som flera sorters femfingrade robothänder.

Modellen byggs i två steg. Först tränas UnifoLM-ER-1, en modell för rumslig förståelse byggd på Qwen3-VL-4B, på över 5 miljoner exempel som att peka ut punkter, hitta föremål i 2D och 3D, förutsäga rörelsebanor och svara på frågor om rummet. Den lär sig också förutsäga vilka delar av bilden som kommer att förändras när roboten gör något, ett slags enkel världsmodell. Sedan läggs en separat "handlingsexpert" till som omvandlar modellens förståelse till rörelser för armar, händer och underkropp. Den slutliga modellen är tränad på omkring 2 500 timmar data från riktiga robotar, bland annat Unitrees egna öppna dataset.

Enligt Unitree leder UnifoLM-ER-1 bland öppna modeller på sju av sexton test av rumslig och multimodal förståelse och ligger totalt i nivå med ledande stängda modeller. Demonstrationerna visar en Unitree G1 som bland annat städar köket, lägger kläder i tvättmaskinen, viker handdukar och ställer tallrikar i ett ställ.

Vikterna för UnifoLM-ER-1, UnifoLM-ER-Flow och UnifoLM-WLA-1.0-Base finns på Hugging Face under Apache 2.0, och koden för att träna och finjustera finns på GitHub.