王潜在2026 Inclusion·外滩大会上表示，智能本体存在于数据之中。他认为模型能力部分来自评估环节，训练阶段是蒸馏器，部署阶段是容器，模型权重占比已很小。语言模型进步更多源于数据质量提升，代码能力最先被攻克，随后是数学，现在延伸到3D、视频生成。他还指出，若OpenAI或Anthropic做具身智能，也需同样的数据底座和验证基础设施，本质上只是另一家具身智能公司，深耕该赛道的企业具备实质优势。
自变量机器人发布自回归世界模型WALL-SS，该模型可推演持续60秒的倒水和物品整理任务，通过尺度压缩记忆和逐尺度梦境强迫等技术，在动作跟随、轨迹精度等评测中优于对比模型，并能在虚拟环境中筛选真机策略。
8月27日，自变量机器人发布全新世界模型WALL-SS（下一尺度自回归世界模型）。其关键技术“尺度对齐的动作条件注入”能将机器人动作指令与生成尺度精确对齐，使动作成为画面生成的核心条件。在流式推演测试中，WALL-SS稳定推演60秒，画面清晰、物体位置准确。开发者可借此在虚拟环境中预演长时任务，减少实体调试成本。
想给机器人快速“充电”学新本领？开源框架HOST来了！只需观看约半分钟的人类演示，机器人即可掌握技能，成功率达62%，数据需求骤降98%，训练效率飙升500倍。
分布式训练提速新利器：DMuon优化器将额外开销由120%锐减至2%，训练效率跃升30%。开发者只需改动三行代码，即可无缝接入现有Muon流程，轻松实现高效分布式训练。
自变量机器人发布QUANXTA Zero系列，用头环与智能双夹爪实现无本体数据采集，毫米级定位精度，数据入库有效率超85%。训练数据成本可降90%至95%，全流程从6个月压缩至3天。建议先小批量试采，验证数据质量后再全面采用。
自变量机器人作为联合主办方，发起了全球首届具身智能开发者大会与黑客松大赛，吸引了清华、北大、浙大等高校超百支团队同台竞技。
自变量机器人推出跨模态动作分词器X-Tokenizer，不再把动作分词器当简单工具，而是将其定位为连接多模态推理与动作执行的语义桥梁。官方数据显示，多模态对齐能力提升13.5%，长程任务性能提升8.25%。开发者可关注该方案在复杂任务中的落地潜力。