一家瞄准家庭场景的机器人公司，为何同时押注「语义」和「几何」？

如果机器人最终要进入家庭，它面对的将是一个和标准实验环境完全不同的世界：

桌上的东西不会永远摆在同一个位置，光线不会始终一致，用户也不会按照模型训练时的固定模板给出指令。

今天，用户说：“帮我拿杯子。”明天就可能变成：“把我刚才喝水那个拿过来。”甚至是：“不要大的，拿旁边那个。”

这些表达对于人类几乎没有理解成本，但对一个真正需要执行动作的机器人来说，背后同时包含了任务意图、目标识别、空间关系和动作选择等等要素。

于是，一个问题开始变得明确：如果机器人最终要进入家庭，“会做动作”并不足够。它既需要理解人，也需要理解物理世界。

欧拉万象最近公开的两个模型【OLA-Sem】和【OLA-Geo】可以被看作对这两个问题的阶段性回答。

01

第一道题：

用户到底想让机器人做什么？

标准机器人任务往往定义得很清楚：“抓取红色杯子”“把物体放进盒子”……只有定义清楚任务，机器人才能知道要去什么地方，面对什么目标，执行什么动作。

但在家庭里，没人会这么说话，用户会使用指代、属性、上下文，也会在任务执行过程中临时改变要求。

这意味着，机器人真正需要解决的问题，并不只是“下一步动作是什么”，还包括“用户说的对象是什么”、“当前环境发生了什么”、“原来的任务是否还成立”、“接下来又应该如何继续”等等问题。

欧拉万象的 OLA-Sem，就是为了让机器人更好地执行家庭任务而诞生的。

它尝试在统一模型中联合动作预测、图像生成和文本推理，让视觉、语言和动作共享统一表征；预训练阶段则联合第一视角视频、视觉问答与机器人操作数据，希望把语义、环境交互与机器人行动能力进一步连接起来。

换句话说，OLA-Sem 想强化的是：用户的任务意图、机器人当前看到的世界，以及最终行动之间的关联。

02

第二道题：理解目标以后，

它真的知道东西在哪吗？

03

一个目标家庭服务的机器人公司，

为什么同时做这两件事？

要回答这个问题，答案恰恰可能来自家庭本身。

假设用户说：“把沙发旁边那个蓝色的东西拿给我。”机器人首先需要判断语义——“蓝色的东西”是什么；同时还需要理解几何空间——“沙发旁边”意味着怎样的空间关系，目标到底在哪里。

而真正执行时，两种信息必须共同转化为动作，这样机器人才能在家庭里实际地完成任务。

所以，OLA-Sem 和 OLA-Geo 并不是两道彼此独立的题：OLA-Sem 更关注任务意图、当前观察与行动之间的关联；OLA-Geo 更关注物理世界当前是什么状态，以及目标处在怎样的空间关系里。

最终，它们都必须回答：机器人怎样真正理解并作用于物理世界？

但对于欧拉万象来说，OLA-Sem 和 OLA-Geo 并不是最终目的。它们只是 OLA 整个 Real-world RSI（Recursive Self-Improvement）System 中，Model 层目前已经公开的两种探索。

真正的问题是：当这些模型能力进入真实机器人以后，一次执行产生的新数据和反馈，能否重新推动模型、系统与本体继续进化？

欧拉万象基础模型：语义几何并行，迭代自我提升

04

RoboTwin 

给出了第一张阶段性成绩单

最近更新的 RoboTwin 2.0 Leaderboard，为欧拉万象的两个探索提供了一次公开评测结果：

OLA-Sem 取得 71.3% 的 Average 综合成绩，排名第一；

OLA-Geo 在 clean2clean设置下取得 83.0%，排名第一；

同时，OLA-Sem 在更强调环境变化与泛化能力的 clean2random设置中取得 67.6%，排名第二。

【成绩汇总图】RoboTwin 2.0 来源

从这个角度看，RoboTwin 给出的更像是一张阶段性成绩单。它验证的是 OLA 在 Model 层的一部分探索，而不是一个完整家庭机器人系统已经成立。

05

欧拉万象真正想 build 的，

不只是一个 Model

如果把 OLA-Sem、OLA-Geo、Agentic OS、Embodiment 和 Data & Model Infra 分开看，它们很容易被理解成几条独立的技术线。

而“分别把四个模块做好”，却无法概括欧拉万象的野心。

如果整个公司只 build 一件事，那就是一套面向具身智能的 Real-world RSI System。

Model、Agentic OS、embodiment 与 Data & Model Infra，都是这套系统的组成部分：

Model 负责持续增强机器人对语义、空间与行动的理解；

Agentic OS 连接用户意图、任务规划、技能调度与执行过程，让机器人从“完成一个动作”，进一步走向“完成一个任务”；

Embodiment 则让这些模型和系统能力真正进入物理世界——OLA 围绕 AI-native 的机器人本体与 Mobile Manipulation 持续优化，让机器人既走得到，也拿得到；

而 Data & Model Infra 承担的，是整套系统里“让下一轮变得更好”的闭环角色——机器人进入真实世界以后，每一次成功、失败和异常执行都会产生新的数据，这些数据又会被重新采集、处理、分析，进入训练与评测，再重新部署回机器人——因此，Infra 的价值不只是“把模型训练出来”，而是让真实世界本身持续成为下一轮模型和系统进化的数据来源。

于是，整个系统就形成了一个具身智能持续进化的循环：真实任务 → 执行 → 反馈 → 数据 → Model / System 迭代 → 再部署 → 新的真实任务。

当这个循环不断发生，OLA 希望实现的就不只是某一次 Benchmark 上的性能提升，而是机器人在真实世界中的持续 Self-Improvement——这就是 OLA 所定义的 Real-world RSI System。

从这个角度再看 OLA-Sem 和 OLA-Geo，它们的重要性也不只在于分别解决语义与空间问题。它们是这个循环里 Model 层已经露出的两种能力。

而 Agentic OS、本体和 Data & Model Infra，则负责让这些能力真正进入现实世界，并将新的现实世界经验重新送回下一轮迭代。

06

Benchmark 之后，

真正的问题仍然是现实世界