6B、2500 小时真机、一张 24GB 显卡：宇树把具身大脑开源了，而开放边界写在那一行协议说明里
一套 6B 的人形机器人基础模型被放到了 Apache 2.0 下，微调门槛写到了「单张 24GB 显卡」。真正值得读的不是参数量，而是那份文档自己承认的一处缺口：模型服务器目前只认二指夹爪。
- 放了什么：宇树把 UnifoLM-WLA-1.0-Base 的权重与微调代码放到 Apache 2.0 许可下，Hugging Face 上的 checkpoint 约 12.5 GB，2026-09-28 上传；README 里的开源清单每一项都打了勾。
- 三步到位：开源分三次落地——09-11 放出具身推理模型 UnifoLM-ER-1 与 ER-Flow 权重，09-20 放模型模块与动作专家训练代码，09-28 放 Base 权重与全量/LoRA 微调代码。
- 上手门槛：微调默认配置冻结视觉语言主干、只训动作头与机器人状态投影器，目标是单张 24GB GPU；显存不够就调小 batch size，两条路都支持 LoRA。
- 规模口径：模型 6B 参数，宇树称用约 2500 小时真机数据训练，覆盖 64 项任务，其中 54 项桌面操作、10 项全身；作为对照，Physical Intelligence 的 pi0 用了超过 10000 小时机器人数据。
- 开放边界：宇树自己的文档写明，已发布的模型服务器动作定义只覆盖二指夹爪数据类型；要服务全身数据集训出的 checkpoint，得自己补灵巧手与底盘运动字段并扩展协议。
- 没给的数字：项目页与 README 里没有逐任务成功率、没有失败次数统计、没有与另一个开源模型在相同任务上的对比；宇树只公布了具身推理模型的榜单分（16 项基准中 7 项领先）。
三个日期，把一次开源拆成了三步
宇树这次的动作不是一次性丢出一个仓库，而是分三步把东西放出来的。据仓库 README 的新闻日志：9 月 11 日放出两个具身推理模型 UnifoLM-ER-1 与 UnifoLM-ER-Flow 的权重；9 月 20 日放出模型模块与训练「动作专家」的代码，也就是把模型输出转成运动的那一段；9 月 28 日放出 UnifoLM-WLA-1.0-Base 本体，以及全量微调与 LoRA 微调的代码。
许可证是 Apache 2.0，Hugging Face 上标的也是同一个，意味着允许商用；README 另注明第三方组件保留各自的许可。这个组合对做二次开发的团队很关键：能不能拿去给客户交付，是第一个要问的问题，而 Apache 2.0 把这个问题答掉了。
值得注意的是顺序。先放推理模型、再放动作专家、最后放整合后的基础模型——这不是随手打包，而是把「看懂」和「动手」这两件事分开验证之后再合起来。对任何想照着做的团队来说，这个顺序本身就是一份可用的拆解图。
单张 24GB 显卡，和一份不常见的具体说明
机器人模型开源最常缺的是一句话：我到底要什么硬件才能训。这份训练文档给出了明确的答案。
冻结视觉语言主干，只训练动作头与机器人状态投影器；默认配置面向单张 24GB GPU，显存不足时文档建议调小 batch size。主干与动作头都支持 LoRA。
文档提供脚本，可把一段录制好的宇树 episode 回放过一遍 checkpoint，并逐关节画出预测动作与实际动作的对比曲线——这是把模型放到真机上之前的检查动作。
这两条放在一起看，意思很清楚：门槛被压到了一张消费级/工作站级显卡，而不是一个集群。这对做二次开发的团队是实质性的变化——过去要验证一个具身基础模型在自己的任务上好不好使，先得有几张卡；现在「冻结主干、只训动作头」这条路径把成本压到了可试错的量级。
那张逐关节对比曲线尤其值得抄。它回答的是一个工程上天天要面对的问题：我怎么在把模型放到硬件上之前，先知道它会不会跑飞。用录好的 episode 回放、比对预测与实录，是一个不需要真机就能做的冒烟测试。
一个模型管手也管脚，但数据的分母要自己心里有数
宇树的说法是，UnifoLM-WLA-1.0 用同一套权重同时覆盖桌面机械臂操作与全身控制：64 项任务里 54 项是桌面操作、10 项是全身，末端覆盖二指夹爪与若干五指灵巧手。训练数据约 2500 小时真机数据，含宇树自己的公开数据集与一个叫 BitRobot-HIW-500 的数据集，另有超过 500 万条具身推理样本用于视觉语言主干。
| 口径 | UnifoLM-WLA-1.0 | 对照 |
|---|---|---|
| 参数量 | 6B（checkpoint 约 12.5 GB） | — |
| 真机训练数据 | 约 2500 小时 | Physical Intelligence pi0：超过 10000 小时 |
| 任务构成 | 64 项 = 54 桌面 + 10 全身 | — |
| 动作解码 | MMDiT 流匹配解码器 | README 致谢开源项目 starVLA、Qwen-Image |
| 真机验证机型 | G1（项目页未描述测试布置） | G1 美国商店售价 13500 美元 |
架构上是现在主流的写法：视觉语言模型读摄像头画面与指令，一个独立的「动作专家」——宇树描述为 MMDiT（扩散 Transformer 结构）——输出关节运动。另外宇树还让主干用光流去预测场景中哪些部分接下来会变化，等于让模型学「自己的动作会对世界造成什么」。
模型服务器只认二指夹爪
这是整份文档里最该被划出来的一句，而且是宇树自己在文档里写的：随代码发布的模型服务器通过 websocket 向 G1 的全身控制客户端暴露 checkpoint，但服务器的动作定义只覆盖二指夹爪这一数据类型。要让服务器加载一个用全身数据集训出来的 checkpoint，得自己补上灵巧手与底盘运动的字段，并扩展服务器协议——文档明确说当前协议承载不了这些。
换句话说：桌面那条路看起来已经可以照着跑，全身那条路在公开文档里还留着一个需要工程补齐的缺口。宇树内部大概率有自己的工具，但外部团队拿到的这份，是不完整的那一半。
再往上退一步看演示视频。宇树在项目页上给桌面片段标了「2 倍速、自主执行」，给全身片段标了「全程实拍、未加速、自主执行」——这些标注是公司自己写的，但它回答了每个机器人视频都要被问的那个问题：有没有人在遥控。每个片段旁边都配了实时的摄像头视角面板与策略运行日志。
缺的是数字。项目页与 README 里没有逐任务成功率、没有失败次数、也没有和另一个开源模型在相同任务上的对比。宇树公布的是具身推理模型 UnifoLM-ER-1 的榜单分（16 项多模态感知与理解基准中 7 项领先开源模型），但那衡量的是模型有多懂这个场景，不是机器人有多少次把活干完了。
谁会在一台不是宇树搭的 G1 上给出成功率
宇树的 G1 在美国商店标价 13500 美元。这个价格意味着，一个资金还算充裕的实验室买一台回去自己搭、自己测，是做得到的。
所以接下来真正值得盯的信号只有两个：一是有没有宇树之外的实验室或创业公司，在一台由他们自己搭建的 G1 上给出过成功率；二是全身控制那处协议缺口会不会在后续版本里被补上。在这两件事中的任何一件发生之前，UnifoLM-WLA-1.0 的准确定位是一个真实可下载、但没有公开成绩单的模型。
对做交付的团队，这里有一条更实用的操作建议：把「跑通官方示例」和「跑到我的任务上」当成两个独立里程碑，中间那一段——改协议、补字段、在自己的数据上微调、逐关节比对——才是真正的工作量所在。开源把这段路的路况公开了，但没有替你走完。