在昨日刚宣布完成2亿美元Pre-IPO轮融资后，逐际动力没有停留于资本叙事，而是立即用一段硬核真机视频回应了行业期待。这段视频展示了其全尺寸人形机器人Oli在家庭非结构化场景中，自主完成从高处取衣、多件衣物精准投掷入篓、玩偶收纳、搬箱摞箱到深弯腰拾取地面杂物等一系列长程移动操作任务。全程站立、下蹲、弯腰，动作连贯无迟滞，且无任何剪辑、加速或人为遥操介入。

视频背后的核心支撑，是逐际动力刚刚更新的“人形大脑系统”LimX COSA 0.5。与行业内普遍追求的“用单一超大模型包打天下”的思路截然不同，这套系统复刻了人类神经系统的分层协作逻辑，由认知层（S1）、技能层（S2）和全身运控层（S0）三层架构组成。认知层负责理解视觉与语言指令、构建世界模型并进行长程任务规划；技能层按需调用独立训练的VLA（视觉-语言-动作）模型，各自解决如剥鸡蛋、开瓶盖等具体操作；底层的运控模型LimX WBT则只暴露统一接口，在1毫秒内将上层运动目标转化为保证绝对平衡的关节指令，且与具体任务解耦，可复用。

逐际动力创始人张巍明确反对将“大脑”等同于“模型”。他认为，真正的机器人大脑应是一个具身智能体系统（Embodied Agentic OS），负责管理记忆、调度决策、调用各类技能与运控能力，并与硬件联合优化。此次演示正是为了验证这一逻辑：Oli必须在未知环境中自发读取视觉信息、理解杂乱状态、自主规划步骤，并调用技能和身体能力去连续执行。

在衡量底层运控实力的核心指标上，逐际动力直接与行业公开的最先进全身跟踪模型SONIC进行了对比。数据显示，LimX WBT的全身位置误差（MPJPE）为12.85毫米，优于SONIC的13.75毫米；平均关节角误差为1.5度，较SONIC的3.3度降幅过半。同时，在精度与平滑度这两个通常需要取舍的维度上，LimX WBT也保持领先，使得机器人完成任务时更稳定、更优雅、更像人。训练过程中，团队还引入了真机强化学习（RL）迭代机制，在任务失败时由专家遥操接管进行微调纠正，持续提升VLA策略的成功率。

这段演示直接将逐际动力拉到了与硅谷估值最高的人形机器人独角兽Figure同一水准线。Figure此前发布的厨房、房间、客厅整理等长程任务视频，一直被行业公认为性能参考标杆。尽管Figure也提出了System 1/System 2的双系统框架，但其底层技术逻辑仍在端到端模型内部做切分，本质上未跳出“模型”范畴。而逐际动力的三层架构中，任一层均可独立迭代、替换或后训练，互不牵动。

放眼全球，在长程、不间断、不遥操作的真实家庭任务上，目前仅有逐际动力与Figure做出了可信度高的完整演示。欧洲具身模型公司Flexion的公开Demo任务复杂度相对较低，全身运控的稳定性与准确性略显不足；另一家高估值独角兽Skild AI虽展示了跨形态、跨任务的能力广度，但未展现长程全身移动操作能力。值得注意的是，Flexion后来提出的Command/Motion/Control三层自主栈，其架构范式已与COSA趋同，这暗示着全行业正从“唯参数论”极其务实地转向“谁能率先做出高成熟度、软硬一体的完整大脑系统”。

逐际动力此次还开源了Humanoid FluxVLA Engine的训练与推理代码，意图让“大脑”可被开发者复用，以换取生态与开发者反哺。当人形机器人进入“双雄时代”，堆砌模型参数的意义正在衰减。逐际动力以“三层大脑系统+软硬件联合优化+开放生态”的组合，构建起他人难以复制的壁垒——架构可以学，但在自家硬件上长出来的运控策略，以及大脑与身体的深度协同，才是真正的护城河。