RLDX-1：跨越通用智能，赋予人形机器人全方位的“灵巧机能”
RLDX-1 Technical Report
RLWRLD 与 KAIST 联合发布了 RLDX-1，一个通用的视觉-语言-动作（VLA）模型，旨在通过 Multi-Stream Action Transformer (MSAT) 架构统一处理多种异构模态。该模型在 ALLEX 人形机器人任务上取得了 86.8% 的成功率，显著超越 π0.5 和 GR00T N1.6 等当前 SOTA 基线。
TL;DR
机器人领域的“GPT时刻”不仅需要模型懂语言和图像，更需要它具备运动直觉、长期记忆和物理触感。RLWRLD 团队推出的 RLDX-1 技术报告展示了一个全能型 VLA 模型，通过 Multi-Stream Action Transformer (MSAT) 架构，成功地在人形机器人上统一了运动感知、长程推理和物理反馈。在最具挑战性的 ALLEX 人形机器人任务中，它将成功率从基线模型的 40% 提升至近 90% 的工业级水平。
核心定位：从 Versatile 到 Functional
目前大部分 VLA 模型（如 OpenVLA, π0）擅长的是“通用性”——能认出苹果、能听懂指令。但 RLDX-1 的主编认为，这只是“脑子灵”，真正下地干活需要的是“手精准”。RLDX-1 针对性地填补了三个功能性大坑：
- 运动感知 (Motion Awareness)：不在只盯着静态帧，能看懂传送带上物体的移动轨迹。
- 长期记忆 (Long-term Memory)：记得几分钟前物体被藏在了哪个盒子里（如 Shell Game）。
- 物理感知 (Physical Sensing)：在视觉遮挡下，靠触觉和扭矩传感器感知插入深度或抓取力度。
架构解析：Multi-Stream Action Transformer (MSAT)
RLDX-1 的核心是一个基于 Flow-matching 的扩散 Transformer（Action Model）。
- 异构模态流：与其将所有东西强行拼成一个向量，MSAT 为认知特征（C）、动作特征（A）和物理信号（P）分配了独立的处理流。
- 联合自注意力：在各个流内部处理后，通过跨模态注意力进行交互。这样既保留了触觉信号的超高精度，又利用了 VLM 的语义能力。
图 1：RLDX-1 的模型架构。左侧为基于 Qwen3-VL 改造的 Cognition 模块，右侧为多流动作解码器。
突破性的“数据内功”：合成与一致性过滤
要在真机上训练 48 自由度的人形机器人，真实数据永远不够。RLDX-1 建立了一套极其严苛的合成数据管线：
- 运动一致性过滤：不仅生成视频，还会用逆动力学模型（IDM）反推动作，然后在模拟器中“试跑”。只有预估动作跑出来的效果和生成视频一致的数据，才能进训练集。
- 三阶段进阶：
- Pre-training：在 150 万个跨机体案例上粗练。
- Mid-training：在 ALLEX 人形机体上针对性注入记忆和物理感知。
- Post-training：通过 RECAP 强化学习算法，利用 VLM 充当“评论家（Critic）”进行最后 1 英里的性能冲刺。
实验战绩：全方位的碾压
在模拟器（LIBERO, RoboCasa）和真机实验中，RLDX-1 表现出了极强的韧性。
- ALLEX 真机挑战：在涉及长期记忆的“盒子选物”任务中，RLDX-1 几乎满分，而基线模型 π0.5 表现得像在随机乱猜。
- 物理手感控制：在“灯泡螺旋拧入”任务中，由于引入了扭矩反馈，RLDX-1 的尝试次数比纯视觉 BC 减少了 3 倍，效率甚至超越了人类遥操作。
图 2：在 ALLEX 人形机器人上的各项功能性评估结果。
工程硬实力：43.7ms 的极致推理
对于实时控制，延迟就是杀手。论文特别强调了系统级优化：
- 静态图转换：通过预计算 RoPE 等配置依赖项，将整个前向传播捕获为单个 CUDA Graph，彻底解决 PyTorch Eager 模式下的碎片化问题。
- 定制核函数：手动融合了 RMSNorm, RoPE 和 SwiGLU，减少了显存的往返读写（HBM traffic）。最终在 RTX 5090 上实现了 1.63 倍的起飞级加速。
深度洞察与总结
RLDX-1 的成功标志着 VLA 研究正在从“大规模预训练”转向“针对物理交互的深度特化”。虽然 VLM 提供了常识，但要解决接触力学和非齐次环境下的控制问题，多流架构下的传感器融合才是关键。
局限性：尽管 RLDX-1 在灵巧性上表现优异，但其对罕见物理现象（如极度粘弹性的物体）的理解仍受限于 IDM 的拟合能力。未来，将世界模型（World Model）直接整合进 MSAT 的潜在状态空间，可能是实现真正具身进化论的下一站。