理想前高管创办的斜跃智能再获数亿元融资：坚持用大模型的范式解决具身问题

之一，家庭任务天然融合感知、理解、规划、操作和交互，既包含脑力任务，也包含体力任务，是验证通用具身智能能力的理想场景。斜跃相信，家庭是具身基础模型的核心训练场、验证场和规模化落地场景，为了更长期、更终局的机器人“进家”，斜跃提出了Duplex Reasoning 范式驱动的具身基础模型。

过去，传统机器人系统往往采取“接收指令—执行动作—返回结果”的单工或半双工流程，强调动作正确执行和任务完成，而家庭场景要时刻响应模糊、变化且持续发生的需求。Duplex Reasoning 旨在让机器人在感知理解、推理规划和任务执行的过程中保持与人连接的「双向通道」，对话信息可以随时被打断和修正，行动目标也可以在执行过程中动态调整，最终打造出可打断、可修正、可接管、可持续进化的通用家庭行动智能。

家庭不仅是真实物理世界，更是以人为中心的。Duplex Reasoning 在执行数字技能和物理动作的同时，持续接收人类干预、环境反馈和安全信号，它不是单向执行任务，而是在交互、行动和反馈中持续推理与调整，Duplex Reasoning实现了交互和行动的一体化。

斜跃提出的Duplex Reasoning 为具身基础模型确立新范式：交互与行动应在数据、模型结构与训练流程中被一体化建模。以 VLA 为主干，打通与世界模型预测的协同 —— 语言将视觉、语音与环境变化压缩为可迁移的高层语义，驱动模型跨场景泛化；世界模型预测动作的未来可能结果，为长程任务提供事前约束。两者共同指向一个目标：以可控算力成本，提升机器人在开放环境中的理解、决策与行动成功率。

斜跃认为，具身智能的核心竞争力不在于更大的模型或更多的数据量，而在于高质量数据与系统化基建能力。其中，训练 Infra 与数据 Infra 是两大并重的核心支柱—— 训练体系决定模型能力的上限，数据管线决定模型落地的精度。公司将模型能力拆解为可持续积累的基础设施问题：

一是训练 Infra：围绕预训练、后训练、强化学习建立可复用、可扩展的训练体系，充分释放高质量数据的价值；

二是数据 Infra：围绕信号同步、任务设计与标注质量构建高标准数据管线，优先追求高代表性、高信息密度的精品数据，而非盲目堆叠数据小时数；

三是建立覆盖评估与仿真的闭环，使模型进步能够被持续、客观地测量。

训练 Infra 与数据 Infra 双轮驱动，斜跃将以更可控的算力成本，探索具身智能的 Scaling Law。

目前，斜跃已初步完成自研Ego数据采集设备及数据平台建设，围绕第一视角、无本体数据和与本体相关的高质量数据，逐步搭建分层数据体系。公司计划在2026年内跑通从采集、清洗、标注到训练的完整能力，并持续提升信号质量、任务覆盖度与标签有效性。

硬件方面，斜跃采取“单一本体、全栈闭环”的阶段性策略，通过控制本体构型、传感器选型和软硬件接口的一致性，先降低模型研发中的硬件变量，再将经验证的能力导入面向C端的家庭本体。同时，斜跃将持续探索Home-native的产品形态，使机器人在空间通过性、交互方式、安全边界和家庭审美之间取得平衡。

商业化方面，斜跃将遵循“先验证，再进家”的节奏。斜跃计划先在酒店、养老院等半结构化场景中验证模型的跨空间泛化、任务完成率和单位经济性，再逐步进入家庭。洗衣、收纳、清洁等高频、长程且评价标准相对清晰的任务，将成为优先探索方向。

当前阶段，斜跃正在发展的，动作能力、泛化能力、个性化进化能力，涵盖机器人本体、具身基础模型、家庭自进化的闭环。斜跃正遍历每一个影响机器人进家的要素，构建起全栈的长期能力——以 Duplex Reasoning 驱动具身基础模型，以 Human-centric 驱动物理世界数据飞轮，以 Safety-first 构建机器人安全体系，并以 Home-native的双形态本体实现对真实家庭环境的自然融入。

对于这一轮融资，斜跃智能创始人陈伟表示

感谢各位投资人的信任与支持。

斜跃创立半年来，我们愈发坚信，做具身基础模型是一件难而正确的事。做模型在某种意义上就是 “结硬寨、打呆仗”—— 扎扎实实把算力、数据、评估的全链路管线建好，把底层基建打牢。

当前具身智能领域远未收敛，数据采集方式各异，本体形态也各不相同，模型与硬件的结合路径也有很大差异。这意味着不存在一个端到端的开源模型能够通吃全链路，模型能力本身，就是具身智能公司的核心竞争力。

我们坚持用大模型的范式解决具身问题，并以阶段性成果向投资人证明斜跃的价值：模型性能持续领先、任务泛化高效可靠、Duplex Reasoning 范式在家庭场景已形成迭代闭环。我们将一铲一铲地挖深、挖宽家庭具身智能的护城河。