它石AWE3.7通用具身大模型 实现多场景通用泛化

长期以来，多数机器人系统都依赖专属的专有模型，一旦作业对象、运行场景或者控制逻辑发生变化，就需要重新开展数据采集、模型训练以及部署调试，极大限制了机器人的规模化应用。

如今，具身智能行业已经步入以规模化落地为核心的发展下半场，行业竞争的核心不再是单点任务的完成能力，而是同一套智能系统能否跨越环境、本体与任务的边界，实现能力的迁移与复用。

近期，它石智航推出的通用具身大模型AWE3.7（AI World Engine）在十天内密集发布了一系列真实场景测试任务，依托同一套“具身大脑”，覆盖了工业产线、物流作业、生活服务以及移动操作等多个不同领域，用实际落地的任务成果回应了具身智能如何实现通用泛化这一行业核心命题。

工业现场是检验具身智能落地能力的硬标准，毫米级对位精度、实时力控反馈以及长时稳定运行都是不可或缺的核心要求。AWE3.7在同一套基座模型下，将精细操作能力提升到了产线级水准。

在随机零件分拣作业中，面对散落的螺丝、螺母等细小零件，机器人可以精准识别它们的细微差异，完成抓取并投放至对应收纳容器，即便作业过程受到外界干扰，系统也能自主完成纠错，继续完成后续分拣流程。

线束缠绕作业需要应对柔软易变形的线束，对柔性材料的控制要求极高，机器人需要双手协作，左手固定线束，右手持胶带沿预设轨迹缠绕，当胶带张力或者目标位置出现偏差时，系统会实时修正运动轨迹，确保胶带贴合紧密且不断带。

网线插接则是毫厘之间的精准较量，机器人通过双手协作将水晶头送入网孔，实时理解并预测接触状态，调整抓握角度，借助腕部多自由度的灵活翻转，实现毫米级的精准插接，全程可以抵御外界扰动。

手机装盒属于典型的长程操作任务，机器人先将手机放入包装盒，再以毫米级精度完成盒盖的嵌入与调整，即便遇到光照变化等干扰，也能一次性完成整套包装流程。

拧螺丝作业最考验机器人的“手感”，需要对接触反馈、阻力变化以及结构状态进行连续判断：机器人首先定位螺丝刀与螺丝的空间关系，下放并精准对准靶心，随后根据扭矩反馈实时调整动作，在达到拧紧状态后及时停止，实现对得准、拧得稳、收得住的作业效果。

真实的工业与物流作业往往处于动态变化的场景中，传送带上的物件不断经过，收纳框随时可能被挪动，机器人自身也需要在空间中移动作业。要在这类动态场景中完成识别、抓取、搬运与放置，离不开机器人动态感知与操作的连贯配合。

比如面对传送带上不断移动的软性玩偶，机器人完成抓取后会持续观察并判断最佳装袋时机，跟随传送带的节拍，双手同步将玩偶准确放入袋中，实现对动态作业窗口的实时适配。

积木分拣看似简单实则暗藏考验，彩色积木需要各归其框，这考验机器人对“颜色—目标框”规则关系的理解能力；当场景发生变化，比如积木被放错收纳框，机器人可以及时发现异常并将其取出归位，即便收纳框被移动，机器人也能实时跟踪并动态调整运动轨迹，确保任务准确完成。

当作业场景延伸至更大空间时，机器人的下肢与上肢必须实现深度耦合。基于AWE3.7模型，机器人可以在办公环境中自主穿行，到达目标位置后拿起物品，再移动至投放点完成放置，移动与操作高度一体化，上肢与下肢的协同操作流畅自然，整个流程端到端一气呵成，全程无需人工干预。

相比结构化程度较高的工业环境，家庭场景中的物体形态多变、作业流程长且约束条件少，是检验通用具身智能能力迁移的天然试金石。

整理衣物需要机器人用到“全身功夫”，当衣物位于低处时，机器人需要先识别衣物形态，弯腰拾起后放入收纳筐，在俯身与起身的切换过程中，重心时刻发生变化，但机器人依然能保持动作稳定，这体现了行业中十分稀少的移动操作协同（loco-manipulation）全身控制能力。

擦白板是最能体现“手上功夫”的操作，机器人持板擦可以轻柔擦除任意位置的字迹，左右手均可执行操作，还能在任务中灵活交换，实时感知任务状态，即便遇到外界干扰也能持续完整执行作业，力度恰到好处，既能擦净字迹又能保持白板稳定。

整理书包看似寻常，实则是一套复杂的长程任务考验，桌面散落的笔、橡皮和文具盒形态各异，机器人需要先识别并归类这些物品，再规划合理的装入顺序，逐件抓取整理后放入书包，整个过程有条不紊。

准备一份早餐的流程从自主从橱柜拿取碗碟等餐具开始，机器人将餐具与食品依次摆放至餐盘，多物体、多类别理解与空间记忆贯穿全程，抗扰动能力与任务恢复力同步在线。

制作冰沙则对柔性物体操作提出了更高要求，机器人抓取软质塑料杯，将其对准出冰口，单手按压设备启动出冰，同时持续观察出冰过程和杯中容量，在接近满杯时及时停止，随后完成递送，整个流程可以连续自主执行，无需人工接管。

支撑这些多场景作业能力的，是它石通用具身大模型AWE所构建的“原生架构—双先验预训练—世界模型驱动后训练—规模化验证—数据反哺”的完整方法论闭环。依托超百万小时以人为中心的真实数据以及丰富的视触觉信息，AWE3.7模型让机器人在真实环境中能够看得懂、摸得准、干得稳，为“可信赖物理AI”筑牢了底层技术保障。

如今，这颗“通用大脑”的复利效应已经开始显现：2026年3月，由AWE模型赋能的它石A1机器人斩获“一小时内装配亚毫米级线束最多次数”吉尼斯世界纪录；同年在WAIC展会中，AWE通用具身大模型摘得SAIL之星，成为唯一获此奖项的具身基座模型。

在产业端，这一模型已经进入真实产线持续运行，在汽车线束精密装配、协同检测等工业场景实现了规模化落地，为制造业的智能化升级提供了可复制、可扩展的具身智能解决方案。其机器人集群落地产线也曾登上官方新闻报道。

具身智能行业的竞争，正从单点任务的比拼转向基础能力的复用。AWE3.7正在用实际落地成果证明，通用具身智能的规模化落地不再是远期愿景，而是一条已经被数据、成果与产业场景充分验证的工程化路径。