近日，具身基础模型公司斜跃智能宣布完成数亿元天使+轮融资，本轮投资方包括线性资本、钧山资本、弘颐资本、隐山资本等机构。所融资金将用于持续推进具身基础模型训练、算力与数据基础设施建设、核心团队扩充，以及家庭机器人本体研发和场景验证。
斜跃智能成立于2026年2月，以家庭作为第一落地场景，致力于构建面向真实物理世界的通用具身模型，并以自研模型驱动通用家庭机器人落地。公司由理想前AI首席科学家、基座模型部门负责人陈伟，以及理想前产品线总裁张骁联合创立。核心团队来自全球知名科技、AI、机器人及智能汽车企业，能力覆盖大模型算法、AI Infra基础设施、机器人运控、产品与供应链管理五大领域。据公司介绍，团队具备万卡大模型训练、数字与物理大模型及智能体开发、C端产品从定义到量产交付的全链路经验。
在技术路径上，斜跃智能提出了Duplex Reasoning范式驱动的具身基础模型。传统机器人系统通常采用“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。而家庭场景需要机器人时刻响应模糊、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过程中保持与人连接的双向通道，对话信息可随时被打断和修正，行动目标也可在执行过程中动态调整，最终打造可打断、可修正、可接管、可持续进化的通用家庭行动智能。
斜跃智能将Duplex Reasoning定义为具身基础模型的新范式，主张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。具体而言，该范式以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，即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。
在基础设施层面，斜跃智能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。公司将模型能力拆解为可持续积累的基础设施问题：训练Infra方面，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；数据Infra方面，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；同时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。公司计划以训练Infra与数据Infra双轮驱动，以更可控的算力成本探索具身智能的Scaling Law。
目前，斜跃智能已初步完成自研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，斜跃智能采取“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，公司将持续探索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，斜跃智能将遵循“先验证，再进家”的节奏。公司计划先在酒店、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。
斜跃智能创始人陈伟表示，斜跃创立半年来，公司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”，需要扎扎实实把算力、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存在很大差异，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。公司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。
从行业视角看，具身智能正处于从技术验证向场景落地过渡的关键阶段，家庭场景因其任务的复杂性、高频性和非结构化特征，被视为通用具身智能能力的终极验证场。斜跃智能以Duplex Reasoning范式和双Infra基础设施为切入点，试图在模型能力与工程化落地之间建立可复用的路径。本轮融资的完成，为其在算力、数据与团队方面的持续投入提供了资金支撑，但其商业化节奏能否按计划推进，仍有待半结构化场景验证结果的检验。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
