智元首度提出Worken 探索衡量機械人實際工作產出的新方式

智元發布AHA3「三智一體」硬件平台與GO-3 Preview、WITA-Omni模型，推出G2 Max及靈渠OS 1.0，展示真實場景部署成果 

上海2026年10月29日 /美通社/ -- 智元創新（AGIBOT）今日於上海舉行「智元創新日2026」（AGIBOT Innovation Day 2026），首次正式提出Worken，作為衡量機械人在真實環境中所完成有效工作的建議計量框架。Worken結合英文「Work」與「Token」，希望在機械人的製造及部署數量以外，進一步了解機械人能否自主、持續地完成有價值的工作，以及實際產出多少成果。

智元同場發布AHA3「三智一體」商用硬件平台，將運動智能、交互智能及作業智能的硬件基礎整合至統一架構，並展示AGILE運動智能技術架構的最新進展，包括全新自主進化體技術。公司亦首次展示新一代具身智能基座模型GO-3 Preview，以及全模態交互模型WITA-Omni的最新能力，同時推出工業機械人G2 Max及發布靈渠OS 1.0。活動亦展示工業生產及商業服務等真實場景的應用成果，反映智元持續推動機械人技術轉化為實際生產力。本屆智元創新日「以部署為先」的方向，由機械人本體、運動智能、作業智能與交互智能，以至營運體系及合作生態，均聚焦務實創新，支持機械人在真實場景中實現規模化部署。

智元聯合創始人、總裁兼CTO彭志輝表示：「過去幾年，機械人產業在硬件、人工智能模型及規模化製造方面取得顯著進展。但當機械人開始走進工廠、倉庫及服務場景，我們需要回答一個更實際的問題：它們究竟能夠創造多少生產力？Worken是我們嘗試回答這個問題的新方式。我們希望在衡量製造與交付規模以外，進一步了解機械人能否在真實世界中自主、持續地完成有價值的工作，並使這些成果更容易被量化。」

智元提出Worken，探索機械人實際生產力的新計量方式

隨着機械人由規模化製造走向更多元的實際應用場景，智元引入一項衡量技術進展的維度：機械人在投入使用後，究竟能夠完成多少有效工作。除了製造規模、技術能力及部署進度，智元亦認為持續自主作業與可量化的任務產出，將成為評估機械人價值的重要參考。即使部署相若數量的機械人，不同場景的實際生產力亦可能有所差異，關鍵在於機械人能在多大程度上自主運作、需要多少人工介入，以及最終完成多少符合要求的工作。

智元將Worken描述為「有效智能工時」，提出由三個因素組成的初步計量框架：

Worken＝活躍機械人數量 × 自主工作時長 × 產出效能比

「活躍機械人數量」指實際投入場景執行任務的機械人，而非單純已製造或存放於庫存的設備；「自主工作時長」反映機械人毋須持續依賴人工操控、能夠自行完成工作的時間，而非單純開機時數；「產出效能比」則按特定任務的參考基準，例如既定人工作業標準，衡量機械人完成的合格工作量。

透過結合部署規模、自主作業能力及任務產出，Worken旨在為工業上下料、物流、巡檢及商業服務等不同場景，提供更全面的生產力描述方式。

Worken亦為機械人的長期經濟價值帶來新的思考角度。硬件會隨使用時間折舊，但軟件及人工智能模型持續升級，可能讓同一台機械人在使用周期內完成更多有效工作。將相關產出與全生命周期成本結合分析，有望協助企業更全面地評估機械人部署的長期效益。

智元視Worken為持續演進的框架，未來將透過實際部署及營運數據加以探索和完善。公司希望逐步建立適用於不同任務的參考基準，累積跨場景應用經驗，使Worken日後有機會成為衡量物理人工智能生產價值的廣泛適用參考。

活動亦發布《2026具身智能產業創新報告》，探討具身智能產業走向真實場景部署的發展進程。報告由中國經濟信息社與中國信息通信研究院上海工創中心聯合編制，並在產業分析中納入Worken及智元的部署案例。

智元發布AHA3「三智一體」硬件平台，展示新一代具身智能模型

本次重要硬件發布之一，是第三代人形機械人硬件架構AHA3（AGIBOT Humanoid Architecture），亦是智元首個商用「三智一體」硬件平台。AHA3以真實部署環境的需求為出發點，將運動智能、交互智能及作業智能所需的硬件基礎整合於統一架構，讓不同能力更高效地協同運作。平台結合電機驅動技術、整合式運算及高速連接能力，包括Wi-Fi 6及5G，旨在降低系統整合的複雜程度、改善反應速度，並支援機械人在真實場景中執行更複雜的任務。

在運動智能方面，智元展示了AGILE多模態端到端運動智能技術架構的最新進展。該架構涵蓋通用運動基座模型、生成式運動控制、全身感知與控制協同，以及全新自主進化體等技術方向。其中，自主進化體旨在讓機械人能夠在真實環境中自主探索自身的運動能力邊界，並透過持續累積經驗改善運動表現，推動運動智能由執行預設動作，進一步走向更高程度的自主性與環境適應能力。智元認為，由運動控制走向空間移動智能，目標是讓機械人更好地適應真實部署場地的空間布局及不斷變化的環境。

在人工智能模型方面，智元首次展示新一代具身智能基座模型GO-3 Preview。模型採用名為WRAM (World Reasoning Action Model)的統一推理、預測及動作框架，旨在讓機械人預判動作可能帶來的結果、適應環境變化，並提升其處理過往未曾學習任務的泛化能力。智元展示其零樣本（Zero-shot）及少樣本（Few-shot）操作能力，並介紹Physical Intelligence Scaling技術路線，結合預訓練、後訓練，以及部署後的持續改進，推動機械人從系統化訓練和實際工作經驗中提升能力。

智元亦公布GO-3 Preview在多項具身智能模型評測中的表現。根據發布會披露的評測結果，GO-3 Preview在RoboDojo的任務成功率及執行過程評分兩項指標均排名第一，在RoboTwin取得綜合得分第一，並於RoboColiseum以總分位列榜首。相關成績展示了模型在不同評測框架下的機械人操作及任務執行能力。

在作業智能與交互智能方面，智元正嘗試把數據、模型、機械人本體及應用場景連結起來，貫通預訓練、後訓練、部署及日常營運。來自真實任務的回饋可進一步用於改進模型及工作流程，形成由部署數據推動的持續進化飛輪。

在人機交互方面，智元展示全模態基座模型WITA-Omni，將視覺感知、語音、即時對話、面部表情及肢體動作整合於持續互動的系統之中。模型支援全雙工對話、語音與動作協同，以及機械人本體端部署，旨在複雜環境下提供更自然、即時的交流體驗。目前，WITA-Omni在Daily-Omni等多個具身交互相關的榜單上位列第一。

AHA3、AGILE、GO-3 Preview及WITA-Omni，分別體現智元在一體化硬件架構、運動智能、智能推理與作業，以及人機交互四個方面的技術進展。公司亦持續透過AGIBOT WORLD 2026真實世界數據集、MEgo數據採集產品系列及Genie Sim 3.0等項目，拓展數據採集、仿真與訓練能力，支持物理人工智能模型的持續開發和優化。

智元推出G2 Max，展示機械人真實場景部署成果

智元推出面向製造業與物流場景的重載工業機械人G2 Max。產品具備21個自由度、雙臂最高40公斤搬運能力，以及0.1至2.5米的可調節作業高度，專為要求較高的物料處理任務而設。G2 Max結合力控操作、全向移動及多項安全設計，旨在配合現有工業設備和生產流程，實現更高效的作業。

為展示G2系列在真實工作環境中的表現，智元介紹了包括龍旗科技平板電腦生產線、半導體封裝及測試、CNC機床上下料，以及工業物流等場景的部署進展。在龍旗科技，機械人參與產線物料處理工作，其表現須按照生產節拍、持續運作能力及任務完成情況等指標評估。這些都是製造團隊關注的重要營運指標。

智元亦展示G2 Max在工業物料運輸、倉儲搬運及碼垛相關工作中的應用。這些場景不只要求機械人完成單次操作，亦要求它們能夠在人員及設備共存的環境下安全運作、應對現場變化，並在長時間作業中維持穩定表現。

在製造業以外，智元亦介紹了機械人在交通運輸及旅客服務場景的應用，包括廣州地鐵及長隆文旅娛樂園區。機械人可執行旅客引導、資訊解答及互動服務等任務。與工業搬運不同，這類場景對語音理解、即時回應，以及持續的人機互動能力有更高要求。在這套方法下，部署並非一次性交付的終點，而是涵蓋現場系統整合、穩定運作及持續改進的循環。

工業及服務場景的差異，亦說明Worken為何需要按照不同任務設定相應的產出參考基準。一次成功的工業操作與一次有效的公共服務互動，所創造的價值並不相同。智元正結合真實部署數據和營運經驗，探索如何在不同場景下合理衡量機械人的自主工作時長及任務產出。

靈渠OS 1.0正式發布，年底計劃開源

智元同場發布靈渠 OS（Link-U OS）1.0，並將其定位為業界首個具身智能原生操作系統。靈渠OS通過統一的硬件抽象、具身原生內核及智能服務框架，連接機械人本體與上層智能應用，涵蓋從構建到部署的全流程，以及從底層硬件使能到上層應用支撐的全技術棧，並已經過量產機械人驗證。

目前，靈渠OS 1.0已有部分生態合作夥伴開始試用，並計劃於2026年底開源。智元亦宣布將成為開放原子開源基金會白金捐贈人，向基金會捐贈靈渠OS項目，雙方將攜手共建人形機械人開源社區，推動技術接口與規範統一，並開展聯合開發、測試驗證及人才培訓。目前，智元的合作規模已覆蓋255所高校、511家企業及超過8萬名開發者，並持續推進科研合作、人才培養、產教融合與生態夥伴共建。智元表示，將透過生態合作夥伴、產研合作及開發者社群，把部署能力拓展至更多場景，推動超越單一試點的可複製落地。

隨着機械人由規模化生產逐步走向真實場景的持續工作，能否穩定創造可量化的產出，將成為衡量其應用價值的重要方向。Worken為智元提供了描述這些成果的初步框架，而本次創新日所展示的硬件、模型、部署成果及開放工具，將有助公司繼續探索如何讓這類計量方式在實際應用中發揮作用。

關於智元創新

智元創新（AGIBOT）是全球通用型AI機械人領域的開拓者，核心技術聚焦具身智能。智元以「三智一體」架構整合運動智能、交互智能及作業智能，產品涵蓋人形機械人、四足機械人、靈巧手操作系統及商用清潔解決方案。

根據IDC、Counterpoint Research及SAG等國際市場研究機構公布的數據，智元2026年上半年人形機械人出貨量均位居全球第一。同年9月，智元第20,000部機械人正式從生產線下線。

有關智元的更多資料，請瀏覽：www.AGIBOT.com
Facebook: https://www.facebook.com/AGIBOTHongKong
X: https://x.com/AGIBOTHongkong
Instagram: https://www.instagram.com/agibot_hongkong/
YouTube: https://www.youtube.com/@AGIBOTHongKong
Tiktok:https://www.tiktok.com/@agibot_hk
LinkedIn: https://www.linkedin.com/company/agibot-hong-kong/

智元首度提出Worken 探索衡量機械人實際工作產出的新方式

智元首度提出Worken 探索衡量機械人實際工作產出的新方式

智元首度提出Worken 探索衡量機械人實際工作產出的新方式

智元首度提出Worken 探索衡量機械人實際工作產出的新方式

智元首度提出Worken 探索衡量機械人實際工作產出的新方式

** 本新聞稿由 PR Newswire 通過自動發布系统提供，內容由客戶承擔全部責任。**

一款在同量級模型中處於領先的通用模型，以遞歸自我改進構建，旨在推動 AI 與科學發現。

北京2026年10月29日 /美通社/ -- 超衍智能（Apex Intelligence）發佈了其首款模型 Apex-35B-V1.0。這款 35B 通用模型以 Qwen3.6-35B-A3B 為基礎，經過中訓練和後訓練進一步優化，模型開發過程中融入了大量自有數據集和研究軌跡。在參與評測的同量級模型中，Apex-35B-V1.0 的研發能力處於領先水平，同時保持了出色的通用能力；在部分基準測試中，其表現也可與更大尺寸規模的模型競爭。

模型構建過程中，AI 自主參與了數據構造、實驗設計、代碼執行、訓練結果分析和訓練優化等環節。在實際應用中，Apex-35B-V1.0 既能完成 Coding、Agent、問答和深度搜索等常規任務，也能完成計算閉環的研究任務，如 AI 研究、計算科學、機器人仿真等，是一款兼具通用能力與研究能力的模型。

Apex-35B-V1.0 既是遞歸自我改進的成果，也將成為繼續推動 AI 與科學研究的工具。

基準評測

在 21 項基準測試中，Apex-35B-V1.0 相比同量級的 Qwen3.6-35B-A3B 取得 20 項領先；相比 Recursive Flint（40B）取得 18 項領先、1 項持平。除了研究任務表現突出，它在智能體任務、編程和推理方面也展現出廣泛的競爭力，並在部分基準測試中超過更大規模的模型。這些結果表明，該模型在35B 規模下兼具突出的研究能力和廣泛的通用能力。更多詳情見技術博客。

Tech Blog：https://www.apexin.com/apex-35b/

通過遞歸自我改進構建

超衍智能（Apex Intelligence）的自進化 AI 研究系統 Apex Research能夠持續識別模型弱點、提出假設、開展實驗，並將研究發現轉化為可衡量的模型改進。

從自進化訓練數據和自動化實驗，到訓練方案、GPU 內核及推理優化，Apex Research 參與了 Apex-35B-V1.0 的整個開發過程。

自進化數據。 Apex Research 識別模型弱點，並自動生成有針對性的訓練數據。例如，當評測發現模型在計算流體力學（CFD）任務中出現失誤時，系統分析了背後的推理缺口，合成並驗證新的科學訓練樣例，再將其納入後續訓練。這套自進化數據流程使模型在內部 CFD-Bench 上的成績提高了 32.1 分。

自動化實驗。 Apex Research 分析評測結果和智能體運行軌跡，發現系統性的失敗模式，並優化訓練策略。例如，它發現過長的推理上下文和失衡的數據配比會降低智能體表現。隨後，系統探索了不同的序列長度分佈、長短軌跡採樣比例，以及考慮 token 數量的批次組成，找到更有效的訓練配置，提高了智能體的可靠性和訓練效率。

訓練與推理基礎設施。 Apex Research 將自動化優化擴展到底層計算系統，探索更高效的 GPU 內核、負載均衡、通信策略和執行調度。在訓練側，它優化 GPU 負載均衡、通信與計算重疊、動態批處理，以及考慮 token 數量的工作負載分配，以減少同步開銷、縮短 GPU 空閒時間、提高硬件利用率，使訓練吞吐量提升 45%–60%。在推理側，它優化注意力內核、KV 緩存管理，以及預填充和解碼階段的執行方式；在可比工作負載下，實現解碼速度提升至 1.6–1.8 倍，首 token 響應時間降低 30%–35%。

這些改進貫穿數據、訓練和基礎設施，並逐步累積為一個持續反饋的研究循環：每一輪研究的成果，都為下一輪改進提供基礎。

使用方式

Apex-35B-V1.0 的模型權重已在 Hugging Face 提供。配套代碼、部署指南和使用示例已在 GitHub 提供。開發者可以下載並運行該模型，將其用於 AI 開發、科學計算及其他研究任務。模型版本、硬件要求、支持的推理框架和許可信息詳見項目頁面。

GitHub：https://github.com/apexin-ai/Apex-35B-V1.0

Hugging Face：https://huggingface.co/Apexintelligence-AI/Apex-35B-V1.0

關於超衍智能（Apex Intelligence）

超衍智能由清華大學人工智能學院助理教授陳勇超創立，目標是構建下一代自進化基礎大模型。這裡的「自進化」指遞歸自我改進（Recursive Self-Improvement，RSI）：讓 AI 參與研究、實驗與驗證，並將成果用於改進模型自身。

超衍智能希望推動 AI 從輔助工具成為共同研究者，從加速已知走向發現未知。公司的長期願景是讓模型具備相當於並逐步超過10 萬名覆蓋不同學科的頂尖 AI Scientist 的整體科研能力，持續參與科學研究與發現。

繼 Apex-35B-V1.0 模型之後，超衍智能計劃推出更大量級的自進化基礎大模型，新模型將繼續提升 AI 研發能力，並拓展至芯片、量子計算等科學研究領域。更多模型能力、評測結果與開放方式，敬請期待。

超衍智能發佈首個35B 模型 Apex-35B-V1.0，以遞歸自我改進推動 AI 與科學研究

** 本新聞稿由 PR Newswire 通過自動發布系统提供，內容由客戶承擔全部責任。**