在昨日剛宣佈完成2億美元Pre-IPO輪融資後，逐際動力沒有停留於資本敘事，而是立即用一段硬核真機視頻回應了行業期待。這段視頻展示了其全尺寸人形機器人Oli在家庭非結構化場景中，自主完成從高處取衣、多件衣物精準投擲入簍、玩偶收納、搬箱摞箱到深彎腰拾取地面雜物等一系列長程移動操作任務。全程站立、下蹲、彎腰，動作連貫無遲滯，且無任何剪輯、加速或人為遙操介入。

視頻背後的核心支撐，是逐際動力剛剛更新的“人形大腦系統”LimX COSA 0.5。與行業內普遍追求的“用單一超大模型包打天下”的思路截然不同，這套系統復刻了人類神經系統的分層協作邏輯，由認知層（S1）、技能層（S2）和全身運控層（S0）三層架構組成。認知層負責理解視覺與語言指令、構建世界模型並進行長程任務規劃；技能層按需調用獨立訓練的VLA（視覺-語言-動作）模型，各自解決如剝雞蛋、開瓶蓋等具體操作；底層的運控模型LimX WBT則只暴露統一接口，在1毫秒內將上層運動目標轉化為保證絕對平衡的關節指令，且與具體任務解耦，可複用。

逐際動力創始人張巍明確反對將“大腦”等同於“模型”。他認為，真正的機器人大腦應是一個具身智能體系統（Embodied Agentic OS），負責管理記憶、調度決策、調用各類技能與運控能力，並與硬件聯合優化。此次演示正是為了驗證這一邏輯：Oli必須在未知環境中自發讀取視覺信息、理解雜亂狀態、自主規劃步驟，並調用技能和身體能力去連續執行。

在衡量底層運控實力的核心指標上，逐際動力直接與行業公開的最先進全身跟蹤模型SONIC進行了對比。數據顯示，LimX WBT的全身位置誤差（MPJPE）為12.85毫米，優於SONIC的13.75毫米；平均關節角誤差為1.5度，較SONIC的3.3度降幅過半。同時，在精度與平滑度這兩個通常需要取捨的維度上，LimX WBT也保持領先，使得機器人完成任務時更穩定、更優雅、更像人。訓練過程中，團隊還引入了真機強化學習（RL）迭代機制，在任務失敗時由專家遙操接管進行微調糾正，持續提升VLA策略的成功率。

這段演示直接將逐際動力拉到了與硅谷估值最高的人形機器人獨角獸Figure同一水準線。Figure此前發佈的廚房、房間、客廳整理等長程任務視頻，一直被行業公認為性能參考標杆。儘管Figure也提出了System 1/System 2的雙系統框架，但其底層技術邏輯仍在端到端模型內部做切分，本質上未跳出“模型”範疇。而逐際動力的三層架構中，任一層均可獨立迭代、替換或後訓練，互不牽動。

放眼全球，在長程、不間斷、不遙操作的真實家庭任務上，目前僅有逐際動力與Figure做出了可信度高的完整演示。歐洲具身模型公司Flexion的公開Demo任務複雜度相對較低，全身運控的穩定性與準確性略顯不足；另一家高估值獨角獸Skild AI雖展示了跨形態、跨任務的能力廣度，但未展現長程全身移動操作能力。值得注意的是，Flexion後來提出的Command/Motion/Control三層自主棧，其架構範式已與COSA趨同，這暗示著全行業正從“唯參數論”極其務實地轉向“誰能率先做出高成熟度、軟硬一體的完整大腦系統”。

逐際動力此次還開源了Humanoid FluxVLA Engine的訓練與推理代碼，意圖讓“大腦”可被開發者複用，以換取生態與開發者反哺。當人形機器人進入“雙雄時代”，堆砌模型參數的意義正在衰減。逐際動力以“三層大腦系統+軟硬件聯合優化+開放生態”的組合，構建起他人難以複製的壁壘——架構可以學，但在自家硬件上長出來的運控策略，以及大腦與身體的深度協同，才是真正的護城河。