具身智能领域迎来重要进展，星尘智能公司近日发布了第二代具身基础模型Lumo-2及物理AI智能体Philia，标志着具身智能技术从单一功能演示向系统化解决方案迈进。这两项技术分别对应AI模型与具身操作系统，与绳驱机器人本体结合，构建起"AI模型—具身OS—绳驱本体"的三层技术架构，为机器人进入家庭场景提供了新的技术路径。
Lumo-2模型被定义为"家庭隐式世界—动作模型"，其核心突破在于引入"潜在世界动态"预测机制。不同于传统视觉-语言-动作（VLA）模型直接根据输入生成动作的路径，Lumo-2会在视觉观察与动作执行之间增加物理变化预测环节。该模型通过压缩隐空间技术，仅保留与控制直接相关的物理变化信息，如物体运动轨迹、容器倾倒状态、手部接触方式等，将算力消耗降低60%的同时，使动作预测准确率提升35%。在煎鸡蛋任务中，模型能精准判断蛋液凝固程度，在最佳时机完成颠锅翻面动作；整理行李箱时，可动态调整衣物折叠方式以适应不同尺寸空间。
技术团队通过三阶段训练法优化模型性能：首阶段建立动作与视觉变化的对应关系，过滤光照等干扰因素；次阶段融入语言指令，使动作具备"拿起杯子"等语义理解能力；最终阶段整合互联网视频、人类操作视频及机器人数据，构建跨模态知识体系。这种训练方式使模型在未见过的物体和指令场景下，任务成功率较前代提升42%。特别在动态场景处理上，通过引入短期动作历史记忆，模型能准确判断倒水任务的完成阶段，避免因单帧画面相似导致的操作失误。
与Lumo-2的底层突破形成互补，物理AI智能体Philia聚焦用户体验优化。该系统采用分层架构设计：用户通过飞书、微信等界面发出指令，Agent控制平面负责意图解析、任务拆解和机器人调度，底层机器人本地系统执行具体操作。Robot Gateway网关技术使每台机器人对外提供标准化能力接口，如同软件API般实现"即插即用"。当用户要求"准备早餐"时，系统可同时调度咖啡机机器人制作浓缩咖啡、机械臂机器人摆放三明治，并自动匹配用户历史偏好数据。
Philia的长期记忆系统是其显著特色，可存储用户习惯、任务历史和设备状态等信息。当用户要求"按平时配置准备工作台"时，系统能结合记忆中的显示器高度、键盘位置等数据，自动调整设备布局。多机器人协同功能则支持用户通过统一指令调度不同设备，如"清洁工作区并准备茶点"，系统会自动分配扫地机器人完成地面清洁，同时调度机械臂完成茶具摆放和冲泡操作。这种设计使智能体从单一设备控制升级为跨设备服务层，更接近未来家庭生态的交互模式。
两项技术的协同发布，反映出具身智能领域的技术演进方向。Lumo-2通过隐式推理机制提升机器人对物理世界的理解能力，Philia则通过系统架构创新构建持续服务的用户生态。这种"底层模型+上层系统"的双轮驱动模式，使机器人具备可升级、可中断、有记忆的完整能力体系。在实验室测试中，搭载新系统的机器人在时序推理、灵巧操作等六类任务中的表现均优于主流基线模型，特别是在动态场景适应和长流程任务处理方面展现出显著优势。
