智元押注，北京具身基座模型公司融资超亿元

机器人前瞻（公众号：robot_pro）

作者 | 刘俐杉

编辑 | 许丽思

机器人前瞻8月11日报道，今天，北京具身基座模型公司LatentVerse（潜界科技）宣布完成数亿元种子轮融资。投资方包括高瓴创投、清流资本、英诺基金、智元及星动纪元。

本轮融资将主要用于UTAM模型研发、多模态具身数据体系、模型训练基础设施，以及机器人在真实场景中的技术验证。

LatentVerse成立于2026年5月，由来自清华大学交叉信息研究院的具身智能研究团队创立，该公司专注于具身智能基础模型的研发，致力于构建面向下一代智能机器人的基础模型体系。

该团队成员来自清华大学、南洋理工大学、北京大学，以及字节跳动Seed、阿里巴巴Qwen、小米等大模型与具身智能团队，研究方向覆盖具身模型预训练、世界模型、灵巧操作、数据基础设施与端侧部署。

该公司创始人兼CEO胡钰承是清华大学交叉信息研究院博士生，师从叉院助理教授、星动纪元创始人陈建宇，曾在字节跳动Seed参与具身智能基座模型研究。他是较早探索VLA与WAM融合架构的具身智能研究者之一。

▲ LatentVerse创始人兼CEO胡钰承

LatentVerse团队的研究主线与具身智能模型范式演进高度一致。

在VA（视觉-动作）阶段，团队成员提出DP3，是3D具身策略学习领域具有代表性的工作之一。

VLA（视觉-语言-动作模型）成为主流范式后，团队成员提出HiRT，这项工作在早期对具身智能中的快慢系统架构进行了探索，相关思路与后续Figure AI Helix等模型的架构设计形成呼应。

WAM（世界动作模型）时期，团队成员提出VPP，这项工作被英伟达DreamZero，Lingbot-VA等世界动作模型项目引用，英伟达机器人主管Jim Fan因此发出合作邀请。

Unified Model（统一模型）阶段，团队持续探索VLA与WAM（世界动作模型）统一，同时开展RDP和灵巧手通用大模型UniDex等工作。

除此之外，今年，团队还参与提出BagelVLA和UAM，进一步探索在统一模型架构中融合语言理解、视觉建模与动作生成，使不同能力在同一具身基座内协同工作。

▲ BagelVLA

而沿着VA、VLA、WAM到Unified Model的演进路径，LatentVerse打造了UTAM（Unified Tactile Action Model）具身全模态世界模型。

该公司认为，如何让机器人利用预训练基座模型能力实现跨场景、跨本体和通用技能的泛化，是未来具身智能从实验室、发Demo走向规模化商用的核心瓶颈。要想机器人真正完全复刻人类的各项技能需要模型同时具备认知智能与接触智能。

认知智能，可以类比人类的高层行为模式，机器人不仅需要听懂、模仿简单的任务，更需要利用大脑理解新指令，适应环境变化并重新调用和组合已有技能，完成新的任务流程。

接触智能，在真实的家庭场景中，仅有视觉语言的认知远远不够，水杯外表是否光滑、剪刀等人类工具抓握姿态是否正确，这些接触信息决定了智能体能否充分获取现实世界的物理信号。

UTAM则是在统一基座内同时具备认知智能与接触智能。

UTAM包含多个协同工作的专家模块。视觉语言专家负责理解环境观测与任务意图；世界模型专家将过去从视频中学习到的技能与物理规律进行组合，并推演不同动作可能产生的未来结果。

动作专家根据视觉语言推理链生成可开环执行的Latent Action，再由高频运行的触觉专家根据接触力、滑移与物体形变，将其重建为精细的可执行动作，用于机器人末端闭环控制。

LatentVerse称，目前该公司已完成UTAM的多模态数据Infra与训练管线建设，打通视频、语言、机器人状态、动作与触觉等多模态数据的采集、清洗、时间同步、对齐、标注和训练链路。

该公司团队现正在推进UTAM各专家模块的联合训练，重点评估模型在未见物体与环境中的组合泛化能力、多步骤长程任务执行能力，以及面对滑移、形变和受力异常时的触觉闭环修正能力。

创始人胡钰承提到，泛化、长程与灵巧是机器人商业化必须满足的能力条件，UTAM希望让机器人不仅能够理解任务和生成动作，也能够在真实接触过程中感知变化、快速修正并持续完成复杂操作。

未来，LatentVerse不局限于模型层，随着模型能力、数据体系与真实部署经验的积累成熟，将逐步向机器人本体及应用场景延伸。