黎曼动力携手光轮智能与诺亦腾机器人，推进2026年百万小时具身智能数据建设

AI摘要 黎曼动力联合光轮智能、诺亦腾机器人，围绕Riemann-1.0与Matrix-Game 3.5模型，构建覆盖数据采集、训练、评测及真机部署的具身智能闭环体系，目标2026年建成百万小时高质量多模态具身数据集。

聚焦人体动作、力觉反馈、三维轨迹与人-物-环境动态交互的高精度多模态数据；以真实机器人任务表现反推数据缺口，驱动模型迭代；建立从数据生产到反馈优化的系统化基础设施。

适合具身智能算法工程师、机器人系统架构师、AI基础设施平台开发者阅读。

8 月 6 日，黎曼动力宣布与光轮智能、诺亦腾机器人（Noitom Robotics）达成战略合作。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，黎曼动力将与两家公司在高质量具身数据采集、模型训练、规模化评测、真实机器人部署与反馈优化等方向展开深度协同，推进面向 2026 年的百万小时具身智能数据建设。

此次合作标志着黎曼动力正在从单一模型能力突破，进一步走向“数据生产、模型训练、真实验证、反馈迭代”的系统化闭环建设。未来，黎曼动力将依托 Riemann 系列具身大脑模型的真实任务表现，持续反推数据缺口，并通过多模态数据平台、评测体系和机器人部署反馈，加速通用具身智能模型的迭代演进。

具身智能模型要真正理解和操作物理世界，仅依赖视觉信息远远不够。机器人不仅需要“看到”物体，还需要理解手指抓握时的力度变化、人体关节运动状态、动作在三维空间中的连续轨迹，以及人与物体、环境之间的动态交互关系。这些涵盖人体动作、力觉反馈、环境变化与交互对象状态的高精度多模态数据，是构建下一代机器人通用大脑的重要基础。

围绕这一目标，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，持续构建覆盖数据、评测、模型迭代与真机部署的具身智能基础设施。

在与光轮智能的合作中，双方将推动 Riemann-1.0 具身世界动作模型、Matrix-Game 3.5 交互式世界模型，与光轮智能 EgoSuite 人类数据平台、RoboFinals 评测平台及 RoboStack 部署反馈平台进行适配与验证。

图：黎曼动力联合创始人李阳光与光轮智能战略与生态副总裁廉和签署战略合作协议

基于 Riemann-1.0 在移动操作、物体交互、家庭服务和长程任务中的能力表现，黎曼动力将精准提出模型训练所需的数据需求与能力缺口。光轮智能 EgoSuite 平台将围绕相关任务组织规模化、高质量的人类行为视频及多模态数据生产，并回流至模型训练流程。这意味着，Riemann 系列模型后续每一轮迭代，都将更直接地面向真实能力短板，而不是单纯依靠数据规模堆叠。

在与诺亦腾机器人的合作中，双方将重点围绕动作捕捉、人机交互、多模态行为数据采集与数据工程能力展开协同，共同建设高质量、多模态具身数据体系。

诺亦腾机器人在人体动作捕捉、力反馈采集与多模态行为数据获取方面拥有长期技术积累。此次合作将为 Riemann-1.0 在长尾任务、复杂操作、精细力控与跨本体泛化等方向的能力提升提供关键数据支撑。未来，双方将共同采集包含人体动作轨迹、关节运动状态、接触力觉反馈、交互对象状态等信息的训练数据，并重点解决多模态数据在时间与空间上的高精度同步问题。

图：黎曼动力联合创始人李阳光与光轮智能战略与生态副总裁廉和签署战略合作协议

黎曼动力将结合模型训练效果与真实机器人验证结果，对数据采集、处理流程和质量评估体系进行动态优化，使数据能够持续服务于模型能力提升，也让模型在真实任务中的表现反向推动数据体系演进。

Riemann-1.0 是黎曼动力面向 Physical AI 推出的具身世界动作模型。该模型通过学习大规模人类视频数据，建立对人类行为、环境状态变化与动作结果的理解，并已在多个国际机器人 Benchmark 与真实机器人任务中取得领先表现。在机器人圈公认极难的家务大考 RoboCasa-365 基准测试中，Riemann-1.0 以 62.6%的平均成功率拿下第一，比此前行业领跑水平高出 8.4 个百分点。

Matrix-Game 3.5 则面向交互式世界模型，致力于构建具备长期记忆、持续交互与开放世界模拟能力的新一代世界模型系统。通过与光轮智能、诺亦腾机器人等生态伙伴的合作，黎曼动力将进一步完善从模型评测、数据建设到真实场景落地的闭环，加速世界模型在具身智能场景中的应用验证。

黎曼动力联合创始人李阳光表示：“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。”

随着百万小时具身数据建设的推进，黎曼动力将继续围绕世界模型、本体设计、运动控制、评测体系与真实场景数据闭环展开系统布局，推动机器人从感知理解走向长期、稳定、可泛化的真实世界交互。