1月20日，跨维智能宣布正式开源基于生成式仿真世界模型的具身智能工具链EmbodiChain，为具身智能模型的实用化提供了完整开源基准，推动具身智能研究和应用的加速落地。

　　据介绍，EmbodiChain是全球首个能够自动训练VLA模型并成功真机部署的基于生成式仿真世界模型的具身智能工具链。它无需依赖真实数据，通过100%合成数据训练VLA模型，且能直接部署于真实机器人，实现零样本虚实迁移。

　　基于端到端自动化流程，EmbodiChain融合生成式场景构建与智能体技能探索，打造“仿真—训练—部署”的高效闭环；首创任务场景与训练数据的自动化生成技术，让高质量训练流程的构建从数月缩短至数天；EmbodiChain还构建了覆盖自动场景生成、技能发现到真机验证的全链路评估体系，为具身智能模型的实用化提供了完整开源基准。

　　在大语言模型领域，海量互联网文本数据催生了智能的涌现。但这一成功范式在机器人领域却难以复制。核心矛盾在于数据的本质差异：LLM依赖的是存量数据的清洗，而具身智能需要的是符合物理规律的增量数据。物理时间的流逝与人力成本的边界，始终限制着数据规模的突破。

　　EmbodiChain的核心理念是“以生成替代采集”。它通过生成式仿真技术，构建了一条永不停歇的“在线数据流”，彻底摒弃了传统“生成—存储—读取”的低效模式。具体来看，其技术框架包含三大创新模块：

　　世界生成：通过Real2Sim与Gen2Sim模块，引擎能够基于少量真实样本或语言指令，自动生成物理一致的3D场景与任务环境，实现数据生产的完全自动化。

　　数据扩增与自我修复：系统不仅随机化物理参数、增强视觉多样性，还能在机器人任务失败时自动生成修正轨迹，形成“错误—学习”的闭环机制，显著提升模型鲁棒性。

　　特权信息驱动：EmbodiChain提供真实世界中不可见的“上帝视角”信息（如物体掩码、空间关系），迫使模型理解物理本质而非表面像素，这与著名AI科学家Yann LeCun（杨立昆）倡导的世界模型理念高度契合。

　　不同于Sora等“视频生成式世界模型”，EmbodiChain坚持3D交互式、物理精确的生成式仿真路线，通过提供特权信息（物体精确掩码、空间关系、可供性标签），迫使模型理解场景几何与物理本质，而非仅拟合表面像素，确保训练出的策略在真实世界中稳定可靠。

　　为验证生成式数据的有效性，跨维智能进行了极端测试：仅使用100%仿真数据训练Sim2Real-VLA模型，完全摒弃真实数据。测试显示：该模型在真实环境中的操作成功率显著领先于ACT、Diffusion Policy等依赖真实数据的方法，且在更换桌布、移动物体等干扰下表现出极强的鲁棒性。这一结果证明，生成式仿真数据不仅可行，甚至可能因避免过拟合噪声而优于传统方法。后续，跨维智能还将逐步释出由EmbodiChain自动训练的VLA基座模型及多个具体任务的Examples，为社区提供一套标准化的基础设施。