Simate-beta 於 RoboDojo 上作為表現最出色的實體 AI 模型正式推出

AI 研究 AI，這次有了物理世界的答卷。

一家成立僅三個月的公司，推出了其首款通用物理快系統 Simate-beta：展示記憶、長程任務、精細操作與任務適應能力，並據公司披露，登頂 RoboDojo。

排行榜當然不能代表模型的全部能力，但它提供了一個觀察研發速度與實力的切面。

根據團隊介紹，此次參評的基礎模型並未針對該榜單進行任何專門優化。

成立三個月，首版模型就交出這樣的成績，值得關注。

團隊名稱為 Simate（Silicon Mate）。

背景也不簡單。根據公司介紹，核心團隊曾將一體式端到端智駕模型能力推進至與 Tesla FSD 相當的水平，並完成量產落地。

在全球範圍內，跨越這道門檻的團隊也極為少見；帶著這套積累繼續推進通用物理AI的，則更為罕見。

不過，這次最有趣的，是他們從創立第一天就定下的研發方式：

AI for Physical AI，讓 AI 參與物理智能本身的研究與迭代。

公司圍繞這條路線組織模型、數據、算力與實驗流程。Simate-beta 正是這套 AI-native 研發體系的第一個實踐產物。

而且，研究工具已經開始被外部研究者使用了。

根據公司介紹，來自 MIT、加州理工、清華、北大等高校的研究者已參與 AutoResearch 平台的內測。其 Sinfra 基礎設施涵蓋訓練、模擬與推理，具體可用資源以申請確認為準。

Meanwhile, Simate has successfully completed multiple rounds of financing amounting to hundreds of millions of RMB.

三個月，模型、研究平台、外部試用與融資同步推進。這個速度，確實讓人想看看下一步。

團隊也已預告：已形成面向複雜任務零樣本泛化的技術思路，計劃於今年年底推出階段性成果。

在他們看來，GPT-6 開始參與物理世界的操作，是預料之中的進展，Physical AI 的突破可能比外界想像來得更快。他們希望進一步突破逐任務適配與後訓練的依賴，推動物理 AI 迎來自己的「GPT-3 時刻」。

三項研究工作，包括模型與自動化研究，也將透過論文和技術報告陸續公布，相關成果計劃分階段開源。

這項研發速度，以及其能否持續，成為 Simate 下一階段最值得關注的事。

那麼，首款模型究竟做到了什麼？AI 又是怎麼參與研究的？

Simate-beta：面向零樣本泛化的通用物理快系統

Simate 最終想逼近的，是零樣本（Zero-Shot）與少樣本（Few-Shot）的通用物理 AI 操作。

在一個全新的陌生環境中，系統不應每增加一項新任務，就重新採集一批數據、訓練一次模型、重新調一遍工程。

This is precisely the most popular and challenging arena in physical AI today—numerous contenders showcasing their unique strengths.

而 Simate 提出的现阶段解法，稱為：通用物理快系統。

也就是系統一。

讓我們先用人類來舉個例子：

面對「幫我把桌子收拾一下」這類複雜指令，我們需要「系統二」去理解意圖、拆解步驟；

但當手已經伸向杯子，接下來究竟該往左微調幾毫米還是往右偏一點，這種毫秒級的動作反應，不可能每一步都依賴深度思考。

Physical AI is the same.

一個通用的「慢系統」負責高層規劃與複雜推理，而一個足夠強悍的「快系統」，則負責實時感知眼前不斷變化的物理世界，並極速輸出動作。

Simate 選擇的正是後者——

Increase the parameter count of the Fast System to explore the emergence of zero-shot generalization capabilities, and push the limits of scale and performance for edge-deployable models.

A universal physical fast system.

不過，又要大，又要快，很難處理的一個取捨。

Simate 選擇從兩件事情入手：

1、4D 物理感知

要理解物理世界，必須同時捕捉空間結構與時間維度的動態變化，讓物理表徵真正服務於行動。

2、分層時序記憶

長程任務需要記住此前發生的事，連續操作需要追蹤狀態，即時反應又不能被龐大的歷史資訊拖慢。

4D 物理感知與分層時序記憶，共同指向與人類快系統處理連續世界方式的對齊。

This route also builds on the team’s accumulated expertise in large-scale vision models, temporal modeling, real-time inference, and production deployment. The specific architecture and model scale will be disclosed in subsequent technical reports.

最終希望達到的狀態是：模型既清楚眼前正在發生什麼，也記得剛才發生過什麼，並能及時決定下一步。

與 GPT-6 等前沿模型所代表的通用推理能力協同，推進複雜任務的零樣本執行。

根據公司目前提供的 Simate-beta 真機展示，測試主要圍繞演示驅動的任務適應、記憶、複雜長程執行與精細操作展開。

根據公司提供、更新於2026年9月23日的 RoboDojo 榜單，simate-beta 以平均 Score 33.95 排名第 1 名，對應 SR 為 27.96%。該成績屬於榜單評測，真機表現另作展示。

這份模型答卷背後，是另一套同樣值得展開的系統。

讓飛輪轉起來

這些年，大家已經越來越習慣 AI 寫代碼。

但在 AI 研究中，寫代碼只是很小的一部分。

在很多情況下，迭代效率才是制勝的關鍵。誰能在單位時間內驗證更多研究假設，誰就能率先脫穎而出。

舉個最簡單的例子。

機器人長程任務總是卡在某個環節，原因無非幾種：數據分佈失真、模型結構瓶頸、軌跡比例失衡，或者訓練策略失效。

每個方向背後，都對應十幾組甚至幾十組實驗。

如果全靠研究員手動修改配置、啟動任務、監控訓練、運行評估，再把結果整理回來，那黃花菜都涼了啊。。。

因此，Simate 創建了 AutoResearch，以加速這一流程——

人類研究員：提出假設、設定目標、劃定約束。

AutoResearch 引擎：自動接棒，將剩餘的實驗拆解、運行、反饋全流程自動化。

最終結果也揭曉了，他們靠這套方法在 RoboDojo 拿下了第 1 名。

更重要的是速度。

Simate 從成立到登上 RoboDojo 頂峰，僅用了三個月。

太離譜了。。。

所以問題來了：

AI 到底該如何「研究 AI」？

顯然，僅僅丟入一個 Agent 是遠遠不夠的。

真正的機器人研發，底層貫穿了模型代碼、數據管道、訓練集群、評測環境、真機反饋，以及過去數月甚至數年的實驗記錄。

歸根結底，這依然是「上下文」的問題。Agent 需要一個能夠調度一切的超級介面。

為此，Simate 搭建了一套三層架構：SiPAI ＋ AutoResearch ＋ AI-native Infra。

SiPAI：讓模型架構「AI 可研究」

這是一套原生面向「自動化研究」的可插拔模型框架。

Simply put, it means building the robot model into a structure that AI can easily understand—module boundaries, system interfaces, configuration items, and validation processes are all defined with extreme clarity.

只有這樣，Agent 拿到研究課題後，才能精確知晓：該改哪個模組？改動會波及什麼？最後又該如何驗證？

目前，Simate 已經完成了這套基礎設施的搭建，成功接入了世界模型、世界動作模型、VLA、VLM 等多種主流架構。

無論是人類研究員還是 Agent，都能自由組合組件、調整局部實現，並沿用統一的訓練與評測流水線。

AutoResearch：提供即時更新的「研究上下文」

如果 SiPAI 提供了一份靜態說明書，那麼 AutoResearch 解決的就是動態資訊差：

研究推進到哪了？以前踩過什麼坑？最新的證據是什麼？

它將外部前沿論文、團隊內部研討材料、模型代碼、數據配比、歷史實驗日誌與最新的評測反饋，全部打通並匯入同一份動態研究 Context 中。

無論是發表了新論文、內部代碼提交了新版本，還是最新的實驗數據推翻了舊假設，這份 Context 都會實時刷新。

這樣，Agent 提出的每一個研究建議，才能精確錨定到具體的代碼分支與實驗版本：

最有趣的地方，在於「人類經驗」與「Agent 實驗」的深度耦合：

人類研究員可隨時注入約束與調優方向；一旦某次實驗驗證了有效組件，它會立即沉淀為後續實驗的新起點；某個分支總結出的方法論，也能被接下來的 Agent 無縫複用。

研究成果，真正變成了下一輪研究的生產資料。

AI 原生基礎設施：讓 7×24 小時的研發飛輪滾起來

Of course, an agent being able to write code is not enough—the experiments must run efficiently.

Simate 將訓練、推理與評測全流程接入自研 Infra，透過極致的任務編排與資源調度，同時並行推進數十條相互獨立的研究路線。

為防止算力浪費，Simate 採用高頻篩選機制：所有路線先經由「世界模型 + 仿真環境」進行第一輪快速過濾，淘汰掉絕大多數無效方向；

Only truly promising projects will proceed to real-world testing.

在真實設備上暴露出新問題，再重新流回研究 Context，閉環由此形成：

最終呈現的效果是：人類只需拋出一個探索方向，底層系統就能自動並發驅動數十輪實驗狂飆突進。

這也是 Simate 能在三個月內登頂的關鍵法寶。

但最令人意想不到的是，他們竟選擇將這套極其核心的內部生產力工具直接開源！

網頁長這樣，感興趣的朋友可於文末自取。

目前，來自清華、MIT、港科大等頂級高校的研究者已率先进駐內測。

弱 RSI，只是起點

創辦人張穎，曾任某一線智駕公司核心技術負責人。

擁有豐富的工程實戰經驗，曾參與有圖、無圖及端到端三代智駕方案的攻關，並有多年量產經驗。

據介紹，其推動打造的智駕系統是國內最接近 Tesla FSD 的智駕系統。

此外，團隊裡還有兩位靈魂人物。

1、占方能。

香港科技大學助理教授、World Mind Lab 負責人，長期研究世界模型和物理 AI。

2、季馬澤宇。

00後青年科學家，研究方向涵蓋 3D 感知、靈巧操作和人形機器人全身控制。

在加入 Simate 之前，他曾是硅谷 Assured Robot Intelligence 的創始成員。

ARI 後來被 Meta 收購。

資本市場，也已透過真金白銀投票。

成立僅三個月，Simate 已連續完成多輪每輪數億元人民幣融資。

而這一切，都是在押注同一件事——

物理 RSI。

Simate 從創立第一天便瞄準了這個方向，並且定義了三種不同類型的 RSI。

1、弱 SI：邊界明確，快速閉環

人機共駕模式，研究員設定目標與約束，正常執行過程中無需研究員逐步參與，異常情況可升級處理。

這次登頂 RoboDojo，就是第一階段的工程驗證。

2、中SI：方向明確，但答案未知

如何改善模型記憶？某類任務的數據比例應如何配置？

方向已經明確，但具體哪個方案有效，仍需透過多輪實驗來確認。

At this point, the agent is responsible for organizing context, implementing solutions, running experiments, and comparing results; the researcher is responsible for screening hypotheses, interpreting conflicting evidence, and making key trade-offs.

這其實也是目前最具現實價值的一類。

3. 強SI：研究本身都需要被發現

最困難，也是最觸及智能本質的一類——

如何提升模型在全新任務中的泛化能力？

這類問題已沒有清晰的解題路徑。系統必須自行理解目標、發現真正值得研究的問題，並在長時間內保持方向感，不斷修正路線。

這就開始涉及所謂的「研究品味」。

目前，這類工作仍需資深研究者主導。Agent 主要在文獻、證據、實驗和路線探索上提供支援。

值得注意的是，Simate 所說的弱、中、強 SI 並無等級之分，三者可以同時存在於同一套研發系統中。

更重要的是「進化」這個第一性原理本身吧。