Дом
Внутренняя воплощённая большая модель Wall-OSS-0.5 производит фурор благодаря открытому исходному коду: развёртывание с нулевым обучением после предварительного обучения
В мае 2026 года сектор воплощенного интеллекта (embodied intelligence) Китая достиг значительной вехи с открытием X Square Robot своей новейшей модели Vision-Language-Action (VLA) под названием Wall-OSS-0.5. Отходя от общепринятой в отрасли практики предварительной донастройки (fine-tuning) перед тестированием, эта модель позволяет осуществлять развертывание «с нуля» (zero-shot) на физических роботах без какой-либо настройки под конкретные задачи.

Переход от специализированных скриптов к общему интеллекту
Область воплощенного интеллекта долгое время страдала от скрытого ограничения: большинство моделей требуют extensive донастройки для выполнения конкретных задач перед оценкой, что затрудняет различение истинной обобщающей способности и простого выполнения заранее заданного сценария.
X Square Robot решает эту проблему с помощью Wall-OSS-0.5. Модель предварительно обучена на данных более чем 20 типов роботов, миллионах наборов данных траекторий и мультимодальной корпусе, содержащем 90 миллионов записей. Модель была развернута непосредственно на реальных роботах без донастройки под конкретные задачи. Команда оценила ее производительность в 17 сложных задачах, включая семантическое понимание, манипуляции с жесткими и гибкими объектами, а также прецизионные операции.
Ключевые особенности: значительный скачок в предварительном обучении
Результаты тестирования демонстрируют, что Wall-OSS-0.5 превосходит текущие ожидания:
Развертывание с нуля (Zero-Shot): Без донастройки версия, прошедшая 400 тысяч шагов предварительного обучения, показала результат выше 80/100 в четырех из 17 задач с развертыванием «с нуля». Примечательно, что она набрала 82 балла в задаче «затягивание веревки», которая относится к категории задач с гибкими объектами и не встречалась в процессе предварительного обучения.
Повышенный потенциал донастройки: При применении целевой донастройки Wall-OSS-0.5 демонстрирует исключительную эффективность обучения. По сравнению с отраслевым эталоном π0.5 она лидирует в среднем на 17,5 балла при том же объеме данных, причем в прецизионных задачах, таких как точное вставление, успех увеличивается почти на порядок.
Эволюция, а не деградация способностей: Эксперименты показывают, что после интенсивной тренировки действий мультимодальные восприятия модели сохраняются и undergo «реформативную» эволюцию в области визуального позиционирования и рассуждения.
Четыре ключевые технологии обеспечивают конкурентное преимущество
Производительность Wall-OSS-0.5 обусловлена четырьмя фундаментальными инновациями:
Градиентное связывание (Gradient Bridging): Путем внедрения сигналов контроля действий непосредственно в базовую структуру предварительного обучения модель объединяет «видение, говорение и действие» на уровне представлений.
Токенизатор визуального выравнивания: Это обеспечивает, чтобы каждый токен действия нес четкие визуальные семантические значения, предоставляя модели подлинные способности к выводу «физического смысла».
Контроль пространства действий: Обучение фокусируется на общей структуре траектории, а не на тривиальных высокочастотных деталях, что значительно повышает эффективность сходимости.
Распределенная оптимизация DMuon: Оптимизация низкого уровня системы снизила гетерогенные вычислительные затраты в 100 раз, сделав эту сложную формулу обучения жизнеспособной на крупных кластерах.
Новая эра для воплощенного интеллекта
X Square Robot полностью открыла исходные веса модели, код обучения и интерфейсы наборов данных для Wall-OSS-0.5.
Отраслевые аналитики отмечают, что этот выпуск переопределяет парадигму разработки воплощенного интеллекта, смещая фокус с «процент успеха в отдельных задачах» на «передачу общего физического интуитивного понимания». Для исследователей и разработчиков это знаменует начало новой фазы для фундаментальных моделей — определяемой «воспроизводимостью, проверяемостью и оспариваемостью», что значительно ускорит развертывание роботов общего назначения в сложных реальных средах.
Связанная статья
Агенты ИИ нарушили песочницу Hugging Face с автономной записью атаки и защиты
Недавно Hugging Face опубликовала подробную техническую хронологию, описывающую широко освещенный случай взлома ИИ-агента. Автономная система, разработанная с использованием моделей OpenAI, выполнила около 17 600 операций за 4,5 дня, пока протоколы б
Осталось всего 24 часа до участия в TechCrunch Disrupt 2026
Забронированные выставочные столы истекают сегодня вечером, в пятницу, 18 сентября, в 23:59 по тихоокеанскому времени. После этого срока вы больше не сможете добавить свою компанию в Экспозиционный зал.Стол数量有限,按先到先得的原则分配。那些寻求曝光、客户和投资的公司都将到场。你的公司会去吗?
Doubao Mobile запускает Nubia NaviX Ultra, позиционируемый как первый в мире флагманский смартфон с ИИ-агентом
Ни Фэй, генеральный директор Navea, объявил, что смартфон следующего поколения Doubao под брендом «Navea NaviX Ultra» выйдет в сентябре. Позиционируемый как первый в мире флагманский смартфон с ИИ-умным агентом, он знаменует собой значительную веху.
Рекомендации по связанным специальным темам
Комментарии (0)
В мае 2026 года сектор воплощенного интеллекта (embodied intelligence) Китая достиг значительной вехи с открытием X Square Robot своей новейшей модели Vision-Language-Action (VLA) под названием Wall-OSS-0.5. Отходя от общепринятой в отрасли практики предварительной донастройки (fine-tuning) перед тестированием, эта модель позволяет осуществлять развертывание «с нуля» (zero-shot) на физических роботах без какой-либо настройки под конкретные задачи.

Переход от специализированных скриптов к общему интеллекту
Область воплощенного интеллекта долгое время страдала от скрытого ограничения: большинство моделей требуют extensive донастройки для выполнения конкретных задач перед оценкой, что затрудняет различение истинной обобщающей способности и простого выполнения заранее заданного сценария.
X Square Robot решает эту проблему с помощью Wall-OSS-0.5. Модель предварительно обучена на данных более чем 20 типов роботов, миллионах наборов данных траекторий и мультимодальной корпусе, содержащем 90 миллионов записей. Модель была развернута непосредственно на реальных роботах без донастройки под конкретные задачи. Команда оценила ее производительность в 17 сложных задачах, включая семантическое понимание, манипуляции с жесткими и гибкими объектами, а также прецизионные операции.
Ключевые особенности: значительный скачок в предварительном обучении
Результаты тестирования демонстрируют, что Wall-OSS-0.5 превосходит текущие ожидания:
Развертывание с нуля (Zero-Shot): Без донастройки версия, прошедшая 400 тысяч шагов предварительного обучения, показала результат выше 80/100 в четырех из 17 задач с развертыванием «с нуля». Примечательно, что она набрала 82 балла в задаче «затягивание веревки», которая относится к категории задач с гибкими объектами и не встречалась в процессе предварительного обучения.
Повышенный потенциал донастройки: При применении целевой донастройки Wall-OSS-0.5 демонстрирует исключительную эффективность обучения. По сравнению с отраслевым эталоном π0.5 она лидирует в среднем на 17,5 балла при том же объеме данных, причем в прецизионных задачах, таких как точное вставление, успех увеличивается почти на порядок.
Эволюция, а не деградация способностей: Эксперименты показывают, что после интенсивной тренировки действий мультимодальные восприятия модели сохраняются и undergo «реформативную» эволюцию в области визуального позиционирования и рассуждения.
Четыре ключевые технологии обеспечивают конкурентное преимущество
Производительность Wall-OSS-0.5 обусловлена четырьмя фундаментальными инновациями:
Градиентное связывание (Gradient Bridging): Путем внедрения сигналов контроля действий непосредственно в базовую структуру предварительного обучения модель объединяет «видение, говорение и действие» на уровне представлений.
Токенизатор визуального выравнивания: Это обеспечивает, чтобы каждый токен действия нес четкие визуальные семантические значения, предоставляя модели подлинные способности к выводу «физического смысла».
Контроль пространства действий: Обучение фокусируется на общей структуре траектории, а не на тривиальных высокочастотных деталях, что значительно повышает эффективность сходимости.
Распределенная оптимизация DMuon: Оптимизация низкого уровня системы снизила гетерогенные вычислительные затраты в 100 раз, сделав эту сложную формулу обучения жизнеспособной на крупных кластерах.
Новая эра для воплощенного интеллекта
X Square Robot полностью открыла исходные веса модели, код обучения и интерфейсы наборов данных для Wall-OSS-0.5.
Отраслевые аналитики отмечают, что этот выпуск переопределяет парадигму разработки воплощенного интеллекта, смещая фокус с «процент успеха в отдельных задачах» на «передачу общего физического интуитивного понимания». Для исследователей и разработчиков это знаменует начало новой фазы для фундаментальных моделей — определяемой «воспроизводимостью, проверяемостью и оспариваемостью», что значительно ускорит развертывание роботов общего назначения в сложных реальных средах.
Агенты ИИ нарушили песочницу Hugging Face с автономной записью атаки и защиты
Недавно Hugging Face опубликовала подробную техническую хронологию, описывающую широко освещенный случай взлома ИИ-агента. Автономная система, разработанная с использованием моделей OpenAI, выполнила около 17 600 операций за 4,5 дня, пока протоколы б
Осталось всего 24 часа до участия в TechCrunch Disrupt 2026
Забронированные выставочные столы истекают сегодня вечером, в пятницу, 18 сентября, в 23:59 по тихоокеанскому времени. После этого срока вы больше не сможете добавить свою компанию в Экспозиционный зал.Стол数量有限,按先到先得的原则分配。那些寻求曝光、客户和投资的公司都将到场。你的公司会去吗?
Doubao Mobile запускает Nubia NaviX Ultra, позиционируемый как первый в мире флагманский смартфон с ИИ-агентом
Ни Фэй, генеральный директор Navea, объявил, что смартфон следующего поколения Doubao под брендом «Navea NaviX Ultra» выйдет в сентябре. Позиционируемый как первый в мире флагманский смартфон с ИИ-умным агентом, он знаменует собой значительную веху.











