具身基础模型 Isaac 0.5 开源：36B 动态 MoE 大幅降低遥操作数据依赖

具身智能初创企业 Perceptron 于 2026 年 8 月正式开源其具身基础模型 Isaac 0.5，该模型通过利用海量无动作标注视频训练，探索降低机器人领域对昂贵遥操作数据依赖的路径。

• Isaac 0.5 采用 360 亿（36B）参数的动态混合专家（MoE）架构，开源权重供研究界与开发者进行技术验证和二次开发。
• 研发团队利用约 100 万小时非结构化视频数据与多模态轨迹进行预训练，Perceptron 称该训练范式可将传统机器人控制策略所需的遥操作示教数据量降低多达 210 倍。
• 模型支持以多路摄像头视频、文本指令及本体状态为输入，可直接输出目标定位、任务进度评估或低层运动控制指令，兼具纯视觉感知与端到端控制能力。
• 影响/看点：开源具身基础模型为工业与科研机器人开发提供了新的算法基座；其工业实用性仍需在多变物理环境、接触力学反馈及硬实时控制延迟等严苛条件下进一步检验。
• 资料依据：
• 1. Perceptron 官方开源发布公告（2026年8月，https://github.com/perceptroninc）
• 2. Dealroom 具身智能技术与融资跟踪记录（2026年8月，https://dealroom.co）

本内容由 AI 生成，仅供参考，请注意甄别