数百万小时、500 亿参数，自然意志的 Scaling 信仰

Natura-1 是基于百万小时级 Ego-Centric（第一人称视角）数据预训练的具身智能模型。作为全球少数公开达成此数据规模的具身模型之一，其研发方“自然意志”成立仅9个月，刷新了行业纪录。

团队以 Scaling（规模化扩展）为核心目标，重构了从硬件手套、数据管线到独立训推框架的基础设施，旨在实现“Make everything scalable”。在技术报告《行动的意志 The Will to Act》中，Natura-1 在三个维度、十二项考核上均大幅领先业内公开标杆。

实测数据显示，Natura-1 在自建真机评测中的基础任务成功率为 53.4%，引入记忆与纠错机制后提升至 59.1%。相比之下，π0.5 和 GPT-6 Astra 在灵巧手配置下未获有效评分，改用夹爪后成功率分别为 13.5% 和 16.7%。

Benchmark 涵盖灵巧操作、指令遵循和长程任务操作三大核心部分。Natura-1 在灵巧操作方面优势显著，且在语言模型占优的长程操作与指令遵循领域亦保持领先。

需注意的是，受限于行业缺乏公信力第三方基准，对比对象如 π0.5 为旧版开源模型，GPT-6 Astra 非专用机器模型。因此，该结果更多体现 Natura-1 的技术特长，而非绝对的行业排名。

零样本泛化：具身智能的“GPT时刻”

“零样本泛化”指模型未经过特定任务训练，即可根据自然语言指令直接完成操作，被视为衡量模型对世界理解水平的关键指标。Natura-1 重点展示了这一能力，发布了包馄饨、打包快递、泡茶、制作酸奶碗、手机贴膜及写毛笔字六大连续原速 Demo，涵盖柔性物品处理、精细装配等复杂场景。

为增强说服力，团队还制作了29分钟一镜到底的零样本泛化视频，并计划通过线下体验形式进一步验证模型能力。

自然意志团队强调，跑分与 Demo 并非核心，Natura-1 仅是具备更大 Scaling 潜力模型的早期版本。其架构既借鉴又区别于主流的 VLA（视觉-语言-动作模型）和 WAM（世界动作模型），探索智能 Scaling 的新路径。

去主从性的平等模态架构

传统 VLA 以语言模型为核心，WAM 以视频生成为核心，存在明显的“主从性”，导致 Scaling 局限于主导模态的数据增长。Natura-1 采用无主从性设计，各模态地位平等，可按最优方式组织在序列中，从而实现全模态的高效扩展。

更接近“端到端”的统一建模

不同于业界常见的“大脑+小脑”分层架构，Natura-1 将任务规划、运动控制、意图理解及记忆等能力整合于单一模型内，实现了真正的端到端建模。团队特别将灵巧手动作纳入模型训练，认为手部操作的多样性与经验性超出了语言描述范畴，必须通过直接建模动作来保留力度、接触等关键信息。

Natura-1 被定义为“物理世界通用基础模型”，参数规模为 500 亿。Scaling 验证曲线显示，模型在百万小时数据下仍符合幂律拟合，未遇实质瓶颈，预计下一阶段将实现指数级迭代。

自然意志团队多由 AI for Science 及 LLM 基模开发背景的研究员组成，其核心信念在于 Ego 数据采集的可扩展性解决了行业数据短板。随着全球数据量向数千万甚至上亿小时迈进，数据处理能力成为关键竞争壁垒。

自研数据管线与高性能算子

面对外部数据质量参差不齐的现状，团队自建了包含20多个算子的过滤管线，涵盖GPU加速的手部位姿提取、CPU密集的解码转换及重通信处理。这种对“脏活累活”的深度投入，构成了模型竞争力的重要组成部分。

从零构建训推框架

鉴于现有开源框架难以满足具身 Scaling 的极致效率需求，且 LLM 基础设施与具身算法差异巨大，自然意志从 Day 1 起便自主研发训练与推理框架。通过面向不同系列 GPU 深度定制高性能 CUDA 算子，实现了框架与底层算子的协同优化，确保计算效率最大化。

团队秉持“基础设施让经验可用，数据将其转化为信号，模型将信号转化为智能”的理念，通过协同扩展三者能力，推动具身智能的发展。公司文化务实扁平，强调执行力与信念，致力于构建改变世界的通用具身模型。