逐际动力COSA 0.5 vs Figure：具身智能是拼模型还是拼系统？
从“单一大模型”到“系统即大脑”的认知跃迁
在人形机器人行业的狂飙突进期，市场往往容易被参数量的堆砌所迷惑。过去几年，无论是硅谷的顶尖实验室还是国内的新兴独角兽，普遍陷入了一种“唯模型规模论”的内卷陷阱：似乎只要视觉语言动作模型（VLA）或基础模型的参数量足够大，就能赋予机器人通识理解与物理操作能力。然而，当这些被寄予厚望的“超级大脑”真正进入复杂的家庭环境时，频繁出现的行动卡顿、决策迟疑以及适配性差等问题，暴露了单一模型路线的局限性。
正是在这一背景下，刚刚完成2亿美元Pre-IPO轮融资的逐际动力，通过一段长达3分钟的一镜到底Demo视频，向行业展示了另一种解题思路。视频中，全尺寸人形机器人Oli在不间断、无后台干预的情况下，完成了从高处取衣、分类投放、玩偶归纳到搬箱堆叠、深弯腰拾物等一系列高难度家务任务。这一表现不仅在任务连续性上媲美硅谷估值最高的Figure，更关键的是，其背后支撑的是逐际动力更新的LimX COSA 0.5系统。这标志着具身智能的核心竞争点，正在从“谁的模型更大”转向“谁的系统更优”。
COSA 0.5：复刻人类神经系统的三层架构
逐际动力的核心观点极具颠覆性：模型只是技能，系统才是大脑。在LimX COSA 0.5的设计哲学中，真正的机器人大脑应当复刻人类神经系统的分层协同机制，而非依赖单一的大模型进行端到端的暴力破解。该系统采用了S2-S1-S0的三层架构，每一层运行在不同的时间尺度上，通过精心收窄的接口实现异步协同，从而避免了计算资源的相互阻塞。
S2认知层是这套系统的“指挥官”，运行频率仅为1Hz。它负责慢思考，包括宏观场景理解、世界模型构建、记忆管理以及逻辑推理。这一层不直接控制肢体，而是像将军审视战场一样，将长程任务分解为可执行的子目标，并调度给下层。这种低频高精度的决策机制，确保了机器人在面对非结构化环境时，能够做出稳健的战略判断，而非盲目 reacting。
S1技能层则是“执行专家”的集合，运行在50Hz的中频尺度。这里的关键创新在于“技能解耦”。逐际动力认为，不同任务（如剥鸡蛋与开瓶盖）的数据分布差异巨大，混合训练会导致严重的参数干扰。因此，S1层将能力沉淀为独立的技能模块，每个模块拥有专属的数据配方（Data Recipe）和训练方式。这种模块化设计使得技能库可以像积木一样渐进叠加，新增能力无需推翻重来，极大地提升了系统的可维护性与扩展性。
S0运控层：让优雅成为可能的基础设施
如果说认知层决定了机器人“想做什么”，技能层决定了“用什么做”，那么S0运控层则决定了“做得有多稳、多像人”。这是Demo中Oli能够流畅完成弯腰、转身、平衡维持等动作的核心底气。S0层运行在1000Hz的高频尺度，底层搭载逐际动力自研的LimX WBT全身运动基础模型。
LimX WBT并非一个任务特定的控制器，而是一个通用的运动策略模型。它仅暴露一个统一接口，能在1毫秒内将上层的全身运动目标转化为保证绝对平衡的关节指令。在与行业标杆SONIC模型的直接对抗中，LimX WBT展现出了显著优势：在平均关节角误差上仅为1.5°（SONIC为3.3°），降幅近半；在代表动作平滑度的jerk指标上，关节空间降低约11%，基座朝向降低约20%。这意味着，Oli的动作不仅精准，更具备人类般的流畅感与优雅感，彻底消除了传统机器人动作僵硬、顿挫的弊端。
更为重要的是，这套运控系统通过真机强化学习（RL）闭环持续进化。团队在真实物理环境中引入专家遥操接管数据，对失败案例进行微调，并将数据快速反馈至奖励模型中进行训练。这种“越用越聪明”的机制，使得系统在真实物理约束下的鲁棒性远超纯仿真训练的方案。
全球视野下的路线分野：Figure与逐际动力的对标
在全球具身智能的版图中，Figure无疑是绕不开的名字。其System 1/System 2的双系统框架曾被视为行业标杆，但在长程任务执行上，Figure本质上仍未跳出单一模型内部分割的范畴，且采取全栈闭源策略。相比之下，逐际动力的COSA架构在逻辑上更为彻底地实现了软硬件解耦与协同。
值得注意的是，逐际动力并未选择闭门造车，而是开源了Humanoid FluxVLA Engine的训练与推理代码。这一战略举措旨在构建开放的开发者生态，通过社区反哺加速技术迭代。与此同时，逐际动力拥有自研硬件（如Oli本体）的完整控制权，实现了从底层运控策略到上层认知调度的全链路软硬联合优化。这种“软硬一体”的能力，是纯软件公司难以复制的护城河。
欧洲公司如Flexion，其最新的Command/Motion/Control三层架构与COSA呈现出惊人的趋同，这也侧面印证了“系统即大脑”路线的正确性。然而，逐际动力的优势在于，其三层架构并非简单的软件堆叠，而是深深扎根于自研机器人的物理特性之上。这种深度耦合使得系统在应对未知冲击、动态平衡调整等物理挑战时，具备更高的响应速度与稳定性。
结语：务实路线开启可持续平台化演进
人形机器人进入“双雄时代”乃至多强博弈阶段后，单纯的参数竞赛已边际效益递减。逐际动力展示的COSA 0.5系统，提供了一条更为务实且可持续的演进路径：不赌单一模型通吃一切，而是通过分层架构让认知、技能、运控各就各位。
这种系统化路线虽然从落地之初就面临物理世界复杂性的巨大挑战，需要不断的校准与迭代，但它打通了从算法到硬件的闭环。随着S2、S1、S0各层的独立迭代能力增强，以及开源生态的完善，逐际动力有望在具身智能的“操作系统”层面建立起主导地位。对于行业而言，这不仅是技术的进步，更是商业化落地逻辑的根本性转变：从追求炫技的Demo，转向构建真正能在家庭、工业等长场景中稳定工作的智能体平台。