—— 四可体系支撑规模化验证
具身智能从实验室走向落地，中试成为规模化关键环节。光轮智能推出全球首个工业级规模化评测平台 RoboFinals，将真实产业任务转化为可执行、可复现、可比较的仿真测试，围绕可量化、可对比、可复现、规模化四类能力展开。平台依托 SimFoundry 仿真与 Real2Sim2Real 闭环，并与西门子合作将工业知识转化为机器人训练评测资产；全球前五具身模型团队已采用该体系，光轮还与 NVIDIA 联合开源 Isaac Lab-Arena 评测基准。
—— 仿真评测破解具身落地难题
面对具身智能从样机验证走向量产应用的中试验证难题，光轮智能构建全球首个工业级规模化评测平台 RoboFinals。平台以可量化、可对比、可复现、规模化为核心，通过 SimFoundry"求解 — 测量 — 生成" 物理仿真能力，将真实产业任务转化为标准化仿真测试，在机器人进入现场前完成大规模验证，并形成 "发现问题 — 定位问题 — 解决问题 — 重新验证" 闭环。目前全球前五具身模型团队均已采用，公司还与 NVIDIA 联合开源 Isaac Lab-Arena 评测基准，并携手西门子将工业知识转化为机器人可训练的仿真资产。
—— 从 ＂卖铲人＂ 到共同训练者
继密集 "补脑" 之后，具身智能又闹起 "数据饥荒"—— 仿真数据、互联网视频、真机遥操作数据越来越多，模型能力提升却不明显，落地能力堪忧。本文以光轮智能与黎曼动力 "百万小时数据建设" 等共创合作为切入点，剖析了具身数据 "由一个个孤岛构成的群岛" 这一本质困境，梳理了 "统一接口格式" 与 "对抗式采集" 两条破局路径，并指出数据平台正从纯粹的 "卖铲人" 转向参与出题、考试与纠错的共同训练者。文章进一步探讨了失败数据从噪声变为稀缺资产的逻辑、头部企业自建闭环对独立平台的挤压，以及未来生态围绕训练判断、部署回流、数据生产三类能力重组的趋势。
—— 打通数据采集真机部署闭环，升级通用机器人模型
黎曼动力与光轮智能、诺亦腾机器人达成战略合作，合力推进 2026 年度百万小时多模态具身智能数据建设。三方分别依托世界动作模型、数据评测平台、动捕力觉采集技术形成互补，精准匹配模型能力短板定向生产训练数据，补齐精细力控、复杂操作等长尾任务数据缺口。旗下 Riemann-1.0、Matrix-Game 3.5 两大模型同步迭代，构建 “数据生产 - 模型训练 - 真机测试 - 反馈优化” 完整产业闭环，提升机器人在开放物理环境的通用交互能力。
—— 共建完整数据闭环，开展具身智能 Scaling 行业实验
黎曼动力联合光轮智能、诺亦腾机器人搭建具身智能数据底座，目标 2026 年底达成 100 万小时机器人训练数据，规模约为当前全球高质量存量的两倍。三方打通真机采集、仿真生成、模型训练、效果评测全链路，还将输出行业标准与开源数据集，试图验证具身智能的数据缩放定律能否成立。
