8月6日，黎曼动力宣布与光轮智能、诺亦腾机器人达成战略合作。三方将围绕 Riemann-1.0 具身世界动作模型与 Matrix-Game 3.5 交互式世界模型，共同推进面向 2026 年的百万小时具身智能数据建设。
具身智能模型要真正进入真实环境，必须摆脱“仅凭视觉看图说话”的局限。在机器人圈公认高难度的家务大考 RoboCasa-365 基准测试中，Riemann-1.0 展示了其长程任务与移动操作能力：
数据说明：基于 RoboCasa-365 公开基准测试结果，企业披露。Riemann-1.0 比此前行业领先成绩高出 8.4 个百分点。
但仅有基准分数，还不足以让机器人走入现实。
机器人理解物理世界，不仅需要视觉画面，更需要手指抓握时的力度变化、人体关节运动状态，以及三维空间中的连续轨迹。这正是本次三方协同攻坚的核心逻辑。
黎曼动力计划于 2026 年底完成 100 万小时具身数据的采集与训练，三家公司在数据链路上形成了明确的角色协同：
基于 Riemann 系列模型的真实表现，精准反推模型训练的数据缺口与能力短板。
依托 EgoSuite 人类数据平台规模化生产数据，结合 RoboFinals 与 RoboStack 实施评测与部署反馈。
提供人体动作捕捉、力反馈采集技术，解决动作位姿与压力触觉的高精度时空同步。
黎曼动力目前采用双架构并行的产品技术路线，覆盖动作生成与环境预测：
具身世界动作模型：通过大规模人类视频与行为数据学习，专注于移动操作、物体交互及复杂长程任务执行。
交互式世界模型：构建具备长期记忆与持续交互能力的系统，专注于开放世界的物理仿真与未来状态预测。
“机器人操作模型要真正进入复杂、开放的真实环境，需要持续获得高质量、多样化并且能够验证的数据。通过与光轮智能、诺亦腾机器人的合作，我们希望让模型能力需求更直接地参与数据体系建设，并通过真实部署反馈持续推动模型迭代。”
具身智能的竞争重心，正在从纯粹的“算法架构创新”转向“高维度物理世界数据的采集效率”。仅靠互联网互联网视频训练出的模型容易缺失“力觉”与“接触态”维度，极易在精细操作中失效。谁能率先打通高精度触觉动捕与真机部署的闭环管线，谁就能拿下列阵 Physical AI 时代的准入门票。