逐际动力、阿里云共建具身智能工程底座，FluxVLA Engine 上架 PAI

近日，逐际动力与阿里云联合打造的具身智能标准化工程底座 FluxVLA Engine 正式上架阿里云 PAI 平台，并以开源方式向全球开发者开放。此外，逐际动力的多款机器人基于阿里云全栈AI打造，也已接入千问 Omni 模型，实现物理世界的全模态实时交互。

随着具身智能进入规模化发展阶段，行业竞争正在从单个模型能力，延伸到支撑模型持续训练、快速迭代和稳定部署的工程基础设施。长期以来，VLA（视觉-语言-动作）和WAM（世界动作模型）模型工程化面临训练、仿真与真机之间数据规范不统一，模型架构与训练框架高度耦合，以及 Sim2Real 迁移落差等问题。对开发者而言，这意味着大量时间被消耗在底层工程适配上，而不是模型创新本身。

针对这些问题，逐际动力打造了标准化 VLA/WAM 工程底座——FluxVLA Engine 。通过统一配置体系、标准化接口和模块化架构，FluxVLA Engine 将数据处理、模型训练、仿真评测和真机部署纳入同一套工程规范，并兼容主流模型、仿真平台和机器人硬件。过去模型配置需要数天时间，现在仅需半小时左右，极大降低了开发门槛。

在阿里云PAI平台上，逐际动力的双臂机器人平台 TRON 2 与 FluxVLA Engine 深度协同。近期，FluxVLA Engine成为首个支持人形机器人全身移动操作与真机部署的开源 VLA/WAM 代码库。开发者不仅可以基于 FluxVLA Engine 完成机械臂、人形上半身的VLA和WAM模型训练，更能够实现人形机器人全身移动操作能力的训练、仿真验证及真实机器人部署。 

除了工程平台上的合作，逐际动力开发的不同形态机器人也引入了阿里云全栈AI技术。

具身智能的VLA（视觉-语言-动作）模型和负责运控的“小脑”模型的训练需要海量多模态数据，对训练吞吐、存储等底层基础设施能力提出了较高的需求。

目前，逐际动力的训练数据规模已达1.5PB，训练高峰瞬时吞吐可达上百TB。基于阿里云PAI平台和CPFS并行存储，逐际动力打造模型训练平台，有效支撑了其跨场景、跨模态的大规模数据训练需求。此外，依托阿里云ACK容器服务和边缘计算能力，逐际动力将多类强化学习环境统一封装为云上仿真平台，让机器人的"小脑"可以在云端做大规模并行训练，再无缝迁移到真机。这套解决方案帮助逐际动力将过去以周为单位的环境调试，压缩至小时级。

在本体交互上，LimX Luna、LimX Oli和TRON 2通过接入千问Omni，获得了全模态实时互动能力。Qwen-Omni支持文本、图像、音频、视频等多模态实时输入输出，覆盖19种语言、多种音色，并具备工具调用能力。接入之后，机器人不仅能"看懂、听懂、说出来"，还能根据现场场景调用外部工具完成任务。

逐际动力联合创始人谌骅表示：“逐际动力与阿里云展开合作，目标是为了让具身模型从训练到部署没有难度，通过在千行百业打造垂直大模型生产系统，让大家都可以参与到具身智能革命中来。” 未来，双方将继续围绕模型训练、仿真平台、大模型等展开全栈AI合作，进一步完善 FluxVLA Engine 的能力，降低具身智能研发门槛，推动相关技术走向产业落地应用。