大型语言模型通过在海量数据上预训练获得通用能力，但机器人领域至今仍未找到类似的成功配方。中国具身智能公司 X Square Robot 对此给出了一个明确的答案：构建一套从数据、世界模型到行动模型的整合基础栈，并主张以开放的方式开发和发布。

这套技术栈并非依赖单一超大模型，而是由几个关键原则串联。首先，机器人数据的基本单元是“交互”而非“轨迹”——一次演示只有在确实按意图改变了物理世界时才算成功，而不仅仅是关节动了。其次，预训练应直接产生可用的能力，而非仅为后续微调做初始化。第三，行为建模应围绕物理事件展开，而非固定的时间片段。

在数据层面，X Square Robot 认为制约通用机器人的最大瓶颈是交互数据的成本与质量，而非模型参数量。为此，该公司开发了名为 QUANXTA Zero 系列 的通用操作接口数据采集系统。该系统让操作员穿戴带有双夹爪的装置进行演示，而非直接遥操作机器人。其最显著的特点是严格的质量控制闭环：系统会将录制的轨迹在真实机器人上回放，只有那些实际完成任务的轨迹才会被标记为有效。例如，一个夹爪若过早闭合，在数据中看似完成抓取，实则已将物体推开，这类数据便会被剔除。公司认为，一个较小的干净数据集，价值可能超过一个更大的噪声数据集。

此外，该公司将低成本的人类演示数据与稀缺的真实机器人数据结合使用。先在大量无机器人参与的人类演示数据上预训练以构建通用表征，再加入少量真实机器人数据作为锚点，以适配特定机器的动力学特性。X Square Robot 报告称，这种方法在性能上可与完全使用机器人数据集的方案相媲美，但数据采集成本降低了约 20 倍，这主要得益于可穿戴设备远比遥操作设置便宜。

在模型架构上，X Square Robot 开发了名为 WALL-WM 的世界模型，其设计思路与主流方案不同。多数行动模型根据当前图像和指令预测固定时长的运动片段，这导致行为边界由时间决定，而非动作本身的起止。WALL-WM 则将基于动作的语义事件作为基本单元，例如“伸手”、“抓取”、“放置”等——这些事件既可以用语言描述，也能在视频中观测，并可执行成运动。

WALL-WM 的设计还体现了对保留大型视频模型已有知识的考量。它将一个文本生成视频的模型与一个新初始化的行动网络耦合，行动网络从视频特征中读取信息而不覆盖它们，从而保留了视觉先验。该模型提供两种模式：事件模式以可变长度片段运行，适合长程推理；固定长度模式则产生控制器所需的稳定实时输出。这使得 WALL-WM 介于主流的固定片段行动模型与纯粹的视频世界模型之间，既保持了世界模型的预测特性，又能产生可执行的控制指令。

X Square Robot 的这套方案为具身智能领域提供了一个清晰且可检验的技术假设。其强调数据质量、事件驱动建模以及多模型协同的思路，若能在更广泛的第三方测试中得到验证，或将推动机器人学习从特定任务的定制化开发，迈向更具通用性的基础模型时代。不过，目前其最有力的实验结果仍基于公司自身的机器人与数据采集流程，未来在更多样化场景下的独立评估将至关重要。