具身智能创业企业星尘智能在 7 月 15 日公布了两项重要技术成果：第二代具身基础模型 Lumo-2，以及面向长期人机共处的物理 AI 智能体 Philia。这两者分别对应公司技术框架中的「AI 模型」与「具身 OS」层，与绳驱机器人本体共同构成完整的体系。

Lumo-2 的核心创新在于引入了一种类似「见闻色」的能力——在生成动作之前，模型会先在压缩的隐空间中预测与任务相关的未来物理变化。传统视觉-语言-动作（VLA）模型通常根据当前画面和指令直接输出动作轨迹，容易陷入「反射式」局限，难以理解动作将如何改变环境。Lumo-2 则在观察与动作之间插入了一层潜在世界动态预测，它不生成完整视频，而是聚焦于物体移动方向、接触状态、任务阶段等与控制直接相关的信息，形成一份面向行动的「未来草稿」。

这一设计让 Lumo-2 在实际任务中展现出更强的适应性。例如在倒水任务中，透明液体倒出前后单帧图像极为相似，机器人仅凭当前画面难以判断应继续倾倒还是放回容器。Lumo-2 通过引入短期动作历史，让模型结合此前行为判断当前阶段，从而避免状态混淆。根据官方展示，该模型已能完成接住滚落的球、煎鸡蛋颠锅翻面、称取 500 克小米、给礼盒打蝴蝶结等超过 22 项家庭任务，覆盖动态场景、长流程、高精度灵巧操作等多个类别。

在训练方法上，Lumo-2 采用了三阶段渐进式训练。第一阶段让动作与视觉世界变化对齐，从前后帧差异中筛选与物理运动相关的信息；第二阶段将动作与视觉、语言对齐，使动作表征逐渐具备语义关系；第三阶段联合视觉语言数据、互联网视频、人类第一人称视频和机器人数据进行训练，将动作视为基础模型中的一种核心模态，而非视觉语言模型末端的附加输出接口。为满足实时控制需求，模型还采用分块自回归生成方式，在单张 RTX 5090 上端到端延迟从约 253.66 毫秒降至 93.53 毫秒。论文数据显示，Lumo-2 在未见语言指令和未见物体条件下，任务成功率均优于 π0.5 和 Fast-WAM 等基线模型。

与 Lumo-2 向下深入模型能力不同，Philia 向上构建了一套面向用户体验的智能体系统。它通过Robot Gateway（机器人网关）将多台机器人的能力抽象为标准接口，用户可在飞书、微信、语音等界面与同一个助理身份交互，系统负责理解意图、调用记忆、拆解任务并分派给不同机器人执行。长期记忆功能让 Philia 能记住用户偏好，例如用户说过早餐通常吃三明治和浓缩咖啡，后续只需说「把我平时早餐吃的食物放进托盘」，系统便能从记忆中检索并执行。

这两项发布共同指向一个趋势：具身智能正从单次技能演示进入系统工程阶段。仅靠一段漂亮的演示视频已不足以打动市场，一套可升级、可打断、具备记忆且能对真实世界负责的完整系统，正逐渐成为机器人进入家庭场景的准入门槛。