6 月 17 日，大晓机器人联合香港中文大学多媒体实验室发布通用一脑多型 VLA 具身操作模型 ACE-Ego 并对外开源。产品依托企业独创 “以人为中心” ACE 研发体系，开创海量第一视角人类视频搭配多机型机器人数据联合预训练全新路线，一举拿下 RoboCasa GR1 TableTop、RoboTwin 2.0 两大国际权威具身基准榜单榜首，在零售长时序柔性实操场景完成落地验证，为行业低成本规模化训练具身模型提供完整可行方案。

行业主流模型普遍采用以机器为中心的训练路线，高度依赖成本高昂、采集周期长的真机遥操作数据，数据扩充存在明显瓶颈。大晓 2025 年底提出以人为中心 ACE 全链路技术框架，核心思路是把人与物理环境交互规律作为模型学习根基，依托海量易得的普通人第一视角视频扩充训练素材，搭配真机高精度数据平衡控制精度。ACE-Ego 配套四大自研核心机制，系统性化解人类视频、多型号机器人数据在坐标系、本体结构、时序频率、标签质量四大维度的异构冲突，实现两类数据高效协同预训练。

实测数据充分验证该路线价值：仅使用机器人数据训练时，模型在 RoboCasa 基准任务成功率为 68.3%，引入大规模人类第一视角视频联合预训练后，成功率提升至 72.8%，性能提升 4.5 个百分点，证明低成本人类视频能够显著拓宽模型常识边界、提升跨场景泛化水平。

在 RoboCasa GR1 TableTop 人形桌面操作基准测试中，ACE-Ego 以 72.8% 平均任务成功率刷新行业纪录，大幅领先一众主流竞品。对比来看，第二名小鹏 DIAL 成功率 70.2%，英伟达 GR00T-N1.6 仅 47.6%，同时全面超越京东 JoyAI-RA、高德 ABot-M0、蚂蚁灵波 LingBot-VLA 等模型；叠盘、移锅等高难度操作任务成功率突破 98%，性能提升源于底层架构优化，不存在单一任务过拟合问题。

双臂操作基准 RoboTwin 2.0 包含 50 项抓取、工具使用、双臂协同复杂任务，分标准简易场景与强光照、物体位置随机扰动的高难度场景。ACE-Ego 简易模式成功率 91.12%，强随机扰动场景仍达 90.62%，性能仅衰减 0.5 个百分点，环境鲁棒性远超行业平均，优于腾讯混元 Hy-VLA、PI π₀.5、生数 Motus 等多款对标模型，高度适配充满不确定性的真实线下工况。

脱离仿真测试环境，ACE-Ego 在零售真实场景完成完整长时序作业验证，突破传统模型仅能完成简单桌面抓取的局限。机器人可自主完成鞋盒规整入盒闭合、定量咖啡豆分装、柔性塑料袋打包等全流程任务，既能精准把控铰接物体开合轨迹、控制物料倾倒不撒漏，也能自适应塑料袋易形变的柔性材质，完整覆盖商品陈列、分拣、打包履约等零售核心环节，具备商业化落地能力。

四大核心机制构成 ACE-Ego 技术底座，打通人机异构数据融合训练路径。统一第一视角动作空间表达，以头部相机坐标系为统一基准，将人类手部运动、各机型机器人末端轨迹完成空间映射，新机器人仅更换相机外参即可快速适配，配套完整人类视频 3D 手部重建、质量过滤管线，输出标准化动作向量；基于 URDF 统一机器人描述格式搭建跨本体编码层，机器人解析运动学结构编码，人类数据采用专属形态嵌入，解码阶段注入本体特征，全新机型仅需 200 条以内动作数据即可完成适配；时间对齐动态分块机制摒弃固定帧切分模式，以统一物理时长划分动作窗口，搭配分桶采样稳定训练梯度，解决不同设备控制频率不匹配问题；可靠性自适应目标函数设置分层加权训练逻辑，高精度机器人传感器数据赋予高权重保障控制精度，带重建噪声的人类视频按质量分级加权，在扩充场景多样性的同时守住操作精度底线。

四大机制协同，形成 “人类视频扩规模、真机数据保精度” 的低成本训练路线，大幅降低具身大模型迭代的数据成本门槛。

后续大晓机器人将持续完善 ACE 以人为中心技术体系，在模型端融合 VLA 视觉语言动作模型与 WAM 世界模型，强化机器人环境预判与长时序规划能力；落地层面将从当前零售场景延伸至工业柔性制造、多品类产线作业等领域。

企业由商汤联合创始人王晓刚担任董事长，陶大程院士出任首席科学家，汇聚全球 AI 科研与产业落地人才，搭建从环境数据采集、开悟世界模型 3.0、通用具身模组的完整技术链条，推出商用具身超级大脑模组 A1，同步联动芯片、硬件、云服务生态伙伴，打造标准化、可定制的具身智能行业解决方案。本次 ACE-Ego 开源后，将向全行业开放人机协同预训练范式，加速整个具身智能产业规模化落地进程。