黎曼动力携手光轮智能与诺亦腾机器人，剑指2026年百万小时具身智能数据建设

　　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-Game3.5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。

　　从模型能力出发，建设百万小时具身数据闭环

　　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-Game3.5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。

　　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。

　　引入动作位姿与压力触觉数据，提升复杂操作能力

　　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。

　　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与 Matrix-Game3.5双线推进

　　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-Game3.5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。

　　关于黎曼动力

　　黎曼动力(Riemann Dynamics，全称北京黎曼动力机器人科技有限公司)专注于具身智能与Physical AI，致力于打造面向真实世界的下一代机器人通用大脑。基于Matrix-Game世界模型技术体系，我们构建了融合世界理解、未来预测与动作决策的统一智能框架，让机器人能够持续理解环境、自主规划并完成复杂操作。

　　围绕家庭服务、移动操作等核心场景，我们已积累数十万小时高质量人类与机器人数据，持续推进世界模型、本体设计、运动控制与真实场景数据闭环的融合，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。