在机器人技术不断演进的当下，许多现有系统仍困于数据单一与动作空间僵化的问题，难以应对未经训练的任务或陌生环境，泛化能力面临严峻挑战。为此，智元机器人与香港大学共同研发了UniVLA——一种跨本体、跨场景、跨任务的通用策略学习系统。该系统通过构建以任务为核心的隐式动作空间，深度融合语言指令与视频示范，实现了从感知视觉信息、理解自然语言到执行物理操作的通用控制闭环。这一成果已被机器人顶会RSS 2025认可，同时代码也已经开源，并成为全球顶尖机器人赛事 AgiBot World Challenge @ IROS 2025的基准模型之一。

传统机器人模型如RT-2、OpenVLA等，虽在通用化上有一定进步，却仍存在明显局限：其一，训练数据多依赖人工采集的真机示范，未能充分挖掘互联网中丰富多样的视频资源；其二，缺乏跨平台适配能力，更换机器人硬件常需重新定义动作空间；其三，自回归预测方式导致推理速度迟缓，且错误易累积，影响执行稳定性。

UniVLA另辟蹊径，不再直接预测每一步的具体动作，而是构建一个任务导向的隐式动作空间。这一空间作为中间表征，将视觉观察与语言指令映射为紧凑的隐式动作序列，再通过轻量解码器转换为实际控制信号。其核心创新在于：通过逆动力学建模与VQ-VAE离散化，从海量无标签视频（如Ego4D）中学习高度泛化的动作表示；借助Prismatic-7B等大模型架构进行预训练，实现具身无关的通用策略；最终仅需微调即可快速部署至不同机器人平台。

相比OpenVLA等模型，UniVLA展现出多方面的优势：隐式动作空间显著压缩了数据维度，将推理速度提升至10Hz以上；通过利用人类视频数据，泛化范围大幅扩展，在LIBERO、CALVIN等操控基准测试中，任务成功率平均提升18.5%；更值得注意的是，仅使用10%的训练数据，UniVLA即在LIBERO-Goal上达到62.4%的成功率，远超同类模型。其简单动作解码器（参数量仅12M）支持高频率闭环控制，在“清理案板”、“叠汉诺塔”等任务中实现超过80%的平均成功率，且推理延迟显著降低。

UniVLA的突破不仅体现在性能提升，更在于其结构化设计赋予的扩展潜力：通过隐式动作空间，系统可灵活融入更多人类示范数据，并仅需少量调整即可迁移至新机器人平台，真正实现跨本体、跨场景与跨任务的通用学习。