Light Origins 发布机器人学习基础模型 Light-O1

Light Origins 把 Light-O1 定位为“首个通用具身基础模型”，核心卖点是用互联网视频中回收的人类动作，为不同任务和不同形态的机器人提供一个可复用的学习起点。公司称，它训练了同一 40 亿参数基座的六个版本，多模态 token 用量从 37.5 亿到 1200 亿不等，其中最大一次约相当于 10 万小时人类动作。

但这条发布里最值得注意的不是规模，而是公司主动划出的边界：机器人侧结果仍使用目标专用数据，缩放测试衡量的是留出的下一动作预测与全身姿态预测，而不是真实世界任务成功率。换言之，目前可核验的是“预测误差随预训练规模下降”，而不是“机器人更能干活”。这一区分由公司自己给出，属于本次发布中最硬的约束之一。

按公司说法，六个版本分别适配到三类数据：公开第一人称人类数据、公开 Unitree G1 机器人数据，以及 Light Origins 自家 LightBot 人形机器人的数据。公司称，在这三个数据集上，预测误差都随预训练规模增加而下降，并呈现幂律趋势；更大规模的人类动作预训练为下游适配提供了更强的起点。

这些结论目前均为公司自述，来源为新闻稿式报道，未见第三方复现或独立评测。可确认的是发布行为本身与所披露的训练配置；至于“更强起点”是否转化为跨形态的通用能力，仍属待验证的推断。演示中提到的任务包括 LightBot 打开鞋柜并放入拖鞋、拾取不同类型垃圾（含任务中被移动的物品）、递毛巾，以及 Unitree G1 擦桌子并在同一演示中接过毛巾——这些是演示描述，不是成功率数据。

与 Light-O1 同步发布的还有 Light-O1-Preview，公司称其为文本到动作模型：接受自然语言指令，描述所需身体动作，并生成对应的全身动作序列；模型权重、代码与公开试玩环境随发布提供。

公司把物理 AI 的推进组织为三段：可扩展预训练、对齐、部署。Light-O1 对应预训练；本月早些时候推出的 LightNav-0 用于对齐，其 Real2Sim2Real 系统据称把 2000 多个互联网来源场景转成仿真环境，产出 4000 多小时导航经验，所得模型无需额外训练即可泛化到人形、四足、空中与轮式机器人；部署侧则是 Light REACT，用于让机器人依据近期物理交互调整行为，估计外力、硬件损伤与环境约束后再调整全身动作。这些均为公司自述，尚无独立验证。

支撑上述训练的是公司所称的数据基础设施：已达千卡 GPU 规模，每周处理约 20 万小时视频，而六个月前为 1.25 万小时。这一增速是本次发布中少见的可对照数字，但同样来自公司自述。

资金面上，这家中国公司称于 2026 年 8 月完成数亿元人民币的 Pre-A 轮。该信息在报道中作为背景出现，未给出投资方或具体金额，因此只能作为公司层面的说法看待，而非已确认的融资事实。

可以确认的是：Light Origins 发布了 Light-O1 与 Light-O1-Preview，公布了训练配置（六个 40 亿参数版本、37.5 亿至 1200 亿 token、最大约 10 万小时人类动作）、三类适配数据、以及权重与代码的开放。这些是发布行为与配置层面的陈述。

需要保留的是：缩放结论、幂律趋势、跨形态泛化、千卡规模与每周 20 万小时视频、以及数亿元 Pre-A 轮，均来自公司自述或二手转述，缺少第一方可核验材料与第三方复现。最关键的缺口在于，公司自己承认衡量的是预测误差而非任务成功率——这意味着从“预测更准”到“机器人更能干”之间，仍有一段尚未被本次证据覆盖的距离。