[深圳，2026年9月9日]具身智能公司亮源新創今日發布面向人形機器人的全身韌性智能技術Light REACT，交付「規模化部署」範式的首個成果。圍繞「規模化預訓練、規模化對齊、規模化部署」三段範式，亮源新創持續推進機器人能力的構建與應用。繼9月1日發布「規模化對齊」首個成果LightNav-0後，Light REACT進一步面向真實運行中的全身控制挑戰，將機器人在故障與擾動下的自主適應建模為一個具身 In-Context Learning（上下文學習）問題：機器人以近期的全身交互歷史為上下文，在模型參數保持不變的情況下，適應運動能力變化。無需接收故障標籤，也無需人工切換控制模式，機器人即可根據運動反饋調整全身動作，在部分關節失效後仍能自主運動，為規模化部署打通「最後一公里」。

關節失效後，機器人仍能自主運動

規模化部署要求機器人在運行條件發生變化後，仍能自主適應。部分關節失效時，同樣的動作指令可能產生不同的運動結果，原有運動方式也可能無法維持。如果異常發生後仍需依賴現場人員處理或重新訓練模型，機器人的持續運行就會受到限制。亮源新創Light REACT將故障自適應行走、爬行與摔倒恢復整合進同一個控制策略：部分關節失效時，機器人能夠協調可用關節，調整步態與發力；無法站立時，則可調用手臂等部位轉入爬行；遭遇外部擾動並摔倒後，也能根據當前運動能力嘗試恢復。在整條腿失去供電的內部仿真測試中，亮源新創Light REACT展示了通過調整全身動作繼續行走，或採用爬行方式移動的能力，整個過程無需人工切換模式。從步態調整到全身行為重組，這種全身韌性使機器人能夠在故障發生後，儘可能利用仍然具備的能力繼續自主運動。

亮源新創Light REACT可讓摔傷後的人形機器人自主恢復運行

具身In-Context Learning：從交互歷史中適應故障

一個關節失效後，變化會體現在運動反饋中：預期發生的動作沒有完成，實際產生的運動與原先不同。這些差異包含在近期的全身交互歷史中，為策略判斷當前運動能力提供依據。亮源新創Light REACT無需接收標識故障部位與程度的標籤，而是利用這段歷史推斷哪些動作仍然可行，並據此調整後續控制；隨着新的交互進入上下文，策略能夠根據實際反饋持續適應。模型參數保持不變，交互上下文持續更新，機器人的動作隨之調整——這是亮源新創Light REACT所研究的具身In-Context Learning問題，也是機器人在部署過程中適應變化的核心機制。亮源新創將這一機制命名為「全身上下文學習」（Whole-Body Context Learning），使基於上下文的適應覆蓋全身控制，從行走中的步幅、發力調整，延伸至行走、起身與爬行之間的行為變化。運行中產生的經驗由此直接進入策略上下文，成為機器人應對當下變化的依據，無需等待現場再訓練，也無需由人工指定應對模式。

訓練中學會利用上下文，部署時通過交互自主適應

這套能力來自訓練階段的專門設計。亮源新創團隊在仿真環境中合成大量全身交互上下文數據，覆蓋不同故障條件下的行走、爬行與摔倒恢復。基於這些數據，團隊訓練Transformer策略，使模型學會利用連續的交互歷史，根據運動反饋推斷當前運動能力，並據此調整全身動作。部署時，機器人無需接收故障標籤，也無需更新模型參數，而是以近期的全身交互歷史為上下文，自主適應運動能力的變化。訓練中學會利用上下文，部署時通過交互持續適應，構成了亮源新創Light REACT全身韌性智能的基礎。框架名稱REACT取自其研究的問題：人形機器人韌性控制（REsilient humAnoid ConTrol）。

讓自主適應成為規模化部署的基礎能力

當機器人走向規模化部署，每台機器都會經歷不同的擾動、故障與運行狀態。同一個模型需要能夠利用各自的交互經驗，應對這些差異。亮源新創Light REACT將這種適應能力帶入全身控制，讓機器人根據自身的運動反饋調整行為。對於亮源新創，規模化部署應當讓機器人的自主能力隨數量一起擴展，減少每次異常都需要現場人員處理的情況；持續運行所積累的經驗，也將回流後續訓練與模型迭代，形成數據飛輪。三段範式共同指向的目標，是讓訓練中獲得的能力在真實世界中持續發揮作用，並通過實際應用不斷改進。亮源新創Light REACT是這一方向在規模化部署中的首個成果：讓自主適應成為機器人部署後的基本能力，讓真實運行持續推動下一輪能力提升。