具身智能领域迎来重要突破，星尘智能近日正式推出第二代具身基础模型Lumo-2及物理AI智能体Philia，标志着机器人技术向系统化解决方案迈出关键一步。这两项技术分别聚焦机器人底层动作生成与上层用户体验，形成"AI模型-具身OS-绳驱本体"的完整技术栈，为家庭场景中的复杂任务执行提供全新范式。
Lumo-2模型创新性地引入"潜在世界动态"预测机制，突破传统视觉-语言-动作（VLA）模型的局限。该模型通过压缩隐空间构建物理变化预测模块，在执行动作前先推演物体运动轨迹、接触状态等关键物理参数，而非直接生成动作轨迹。这种设计使机器人能理解"接住滚落球"时需要预判落点轨迹，或在"煎蛋翻面"时感知锅铲与食材的接触力度。实验数据显示，在22项家庭任务测试中，该模型在动态场景理解、长流程操作等维度表现显著优于同类模型，尤其在处理透明液体倒注等视觉特征相似场景时，通过动作历史记忆功能将任务成功率提升40%。
技术实现层面，Lumo-2采用三阶段渐进训练策略：首阶段建立动作与视觉变化的映射关系，过滤光照等干扰因素；次阶段融入语言指令，使动作token具备"拿起杯子"等语义特征；最终阶段融合多模态数据集进行联合训练。这种训练架构使模型能同时处理"称取500克小米"的精确计量与"给礼盒打蝴蝶结"的精细操作需求。为满足实时控制要求，研发团队通过分块自回归生成技术，将端到端延迟从253ms压缩至93ms，在RTX 5090显卡上实现流畅的动态响应。
与Lumo-2形成互补的Philia智能体，则专注于构建人机共处的长期服务系统。该系统突破传统机器人单次任务执行模式，通过Agent控制平面实现多机器人协同调度。用户可通过飞书、微信等界面发送指令，系统自动解析任务需求、匹配可用机器人并分配子任务。例如在"准备早餐"场景中，Philia可同时调度咖啡机操作机器人与餐桌整理机器人，并根据用户历史偏好自动调整饮品浓度与餐具摆放方式。
Philia的核心创新在于构建机器人长期记忆系统，该系统能存储用户习惯、任务历史等结构化数据。当用户发出"按平时配置准备工作台"指令时，系统可结合记忆中的设备摆放偏好与当前场景状态，自动生成个性化操作方案。在多机器人管理方面，Philia通过标准化网关接口实现能力抽象，使不同型号机器人可被统一调度。这种设计使家庭服务生态从"单机应用"向"跨设备服务层"演进，为未来智能家居场景奠定技术基础。
这两项技术的协同发布，折射出具身智能领域的发展趋势转变。当行业从技术演示阶段进入实用化竞争，单纯展示单个机器人能力已不足以构建竞争壁垒。星尘智能通过Lumo-2解决动作生成的稳定性问题，借助Philia构建可持续进化的服务系统，形成从底层控制到上层交互的完整解决方案。这种系统化创新路径，或许将成为具身智能技术落地家庭场景的关键突破口。
