四川
近日，逐際動力與阿里云聯合打造的具身智能標準化工程底座 FluxVLA Engine 正式上架阿里云 PAI 平臺，并以開源方式向全球開發者開放。此外，逐際動力的多款機器人基于阿里云全棧AI打造，也已接入千問 Omni 模型，實現物理世界的全模態實時交互。
隨著具身智能進入規模化發展階段，行業競爭正在從單個模型能力，延伸到支撐模型持續訓練、快速迭代和穩定部署的工程基礎設施。長期以來，VLA（視覺-語言-動作）和WAM（世界動作模型）模型工程化面臨訓練、仿真與真機之間數據規范不統一，模型架構與訓練框架高度耦合，以及 Sim2Real 遷移落差等問題。對開發者而言，這意味著大量時間被消耗在底層工程適配上，而不是模型創新本身。
針對這些問題，逐際動力打造了標準化 VLA/WAM 工程底座——FluxVLA Engine 。通過統一配置體系、標準化接口和模塊化架構，FluxVLA Engine 將數據處理、模型訓練、仿真評測和真機部署納入同一套工程規范，并兼容主流模型、仿真平臺和機器人硬件。過去模型配置需要數天時間，現在僅需半小時左右，極大降低了開發門檻。
在阿里云PAI平臺上，逐際動力的雙臂機器人平臺 TRON 2 與 FluxVLA Engine 深度協同。近期，FluxVLA Engine成為首個支持人形機器人全身移動操作與真機部署的開源 VLA/WAM 代碼庫。開發者不僅可以基于 FluxVLA Engine 完成機械臂、人形上半身的VLA和WAM模型訓練，更能夠實現人形機器人全身移動操作能力的訓練、仿真驗證及真實機器人部署。
除了工程平臺上的合作，逐際動力開發的不同形態機器人也引入了阿里云全棧AI技術。
具身智能的VLA（視覺-語言-動作）模型和負責運控的“小腦”模型的訓練需要海量多模態數據，對訓練吞吐、存儲等底層基礎設施能力提出了較高的需求。
目前，逐際動力的訓練數據規模已達1.5PB，訓練高峰瞬時吞吐可達上百TB。基于阿里云PAI平臺和CPFS并行存儲，逐際動力打造模型訓練平臺，有效支撐了其跨場景、跨模態的大規模數據訓練需求。此外，依托阿里云ACK容器服務和邊緣計算能力，逐際動力將多類強化學習環境統一封裝為云上仿真平臺，讓機器人的"小腦"可以在云端做大規模并行訓練，再無縫遷移到真機。這套解決方案幫助逐際動力將過去以周為單位的環境調試，壓縮至小時級。
在本體交互上，LimX Luna、LimX Oli和TRON 2通過接入千問Omni，獲得了全模態實時互動能力。Qwen-Omni支持文本、圖像、音頻、視頻等多模態實時輸入輸出，覆蓋19種語言、多種音色，并具備工具調用能力。接入之后，機器人不僅能"看懂、聽懂、說出來"，還能根據現場場景調用外部工具完成任務。
逐際動力聯合創始人諶驊表示：“逐際動力與阿里云展開合作，目標是為了讓具身模型從訓練到部署沒有難度，通過在千行百業打造垂直大模型生產系統，讓大家都可以參與到具身智能革命中來。” 未來，雙方將繼續圍繞模型訓練、仿真平臺、大模型等展開全棧AI合作，進一步完善 FluxVLA Engine 的能力，降低具身智能研發門檻，推動相關技術走向產業落地應用。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
