斜跃智能数亿元天使+轮：家庭机器人真正的门槛是可靠性，具身模型能否先在酒店养老院跑通？

家庭机器人赛道正在经历一场集体性的“进家焦虑”。过去两年，具身智能公司密集发布演示视频：机械臂叠衣服、人形机器人端咖啡、四足机器狗爬楼梯。但这些视频大多在实验室或搭建场景中完成，镜头之外的真实住宅里，机器人仍然难以稳定完成连续任务。可靠性、安全性、任务完成率，这些在演示中可以被剪辑掩盖的指标，恰恰是家庭场景无法回避的硬约束。

斜跃智能把这层窗户纸捅破了。据公司披露，其创始团队认为“家庭机器人真正的门槛是可靠性和产品定义”，需要在真实住宅、真实用户、真实安全边界下把成功率一格一格往上推。这一判断来自线性资本在投资公告中的引述，而线性资本正是本轮投资方之一。2026年9月，斜跃智能宣布完成数亿元天使+轮融资，线性资本、钧山资本、弘颐资本、隐山资本等机构参与投资。公司成立于2026年2月，由理想前AI首席科学家、基座模型部门负责人陈伟与理想前产品线总裁张骁联合创立。

这轮融资的特别之处不在于金额——数亿元在具身智能赛道已不罕见——而在于一家成立仅七个月的公司，把“先在酒店、养老院验证，再进入家庭”写进了公开路线图。这与多数家庭机器人公司“直接进家”的叙事形成反差，也把一个问题摆上台面：当具身模型尚未在真实物理环境中证明自己时，家庭是不是一个过早的战场？

两位理想前高管，把“量产可靠性”从汽车搬进机器人

斜跃智能的创始组合在具身智能创业公司中较为特殊。据公司披露，陈伟曾任理想汽车AI首席科学家、基座模型部门负责人，张骁曾任理想产品线总裁。线性资本在投资声明中称，陈伟和张骁是“国内极少数把基座模型推到量产终端、并对最终用户负责过的组合”。这一评价的背景是：理想汽车在智能驾驶和座舱大模型上经历了从研发到量产交付的完整周期，涉及车规级可靠性、用户安全和规模化供应链管理。

但需要指出的是，汽车与家庭机器人的可靠性逻辑并不完全等同。汽车面对的是结构化道路、标准化交通规则和相对可预测的物理环境；家庭环境则高度非结构化，物品摆放、光照条件、空间布局、用户行为都处于持续变化中。从汽车量产经验到家庭机器人可靠性，中间隔着的是任务复杂度、交互频率和安全边界的数量级差异。斜跃智能尚未披露其汽车经验向家庭机器人迁移的具体路径和验证结果，这一迁移是否成立，仍是待验证假设。

据公司披露，其核心团队能力横跨大模型算法、AI Infra基础设施、机器人运控、产品与供应链管理五大领域，是国内少数具备万卡大模型训练、数字与物理大模型及智能体开发、C端产品从定义到量产交付全链路经验的团队。这一表述来自公司官方口径，目前没有独立第三方机构对其团队能力进行过评估。万卡训练经验在汽车大模型领域有据可查，但将其迁移到具身模型训练中，涉及数据模态、模型架构和训练目标的根本差异，不能简单等同。

Duplex Reasoning：一个试图打破“单工执行”的模型范式

斜跃智能提出的核心概念是Duplex Reasoning范式驱动的具身基础模型。据公司披露，传统机器人系统采取“接收指令—执行动作—返回结果”的单工或半双工流程，强调动作正确执行和任务完成；而家庭场景需要时刻响应模糊、变化且持续发生的需求。Duplex Reasoning旨在让机器人在感知理解、推理规划和任务执行过程中保持与人连接的“双向通道”，对话信息可以随时被打断和修正，行动目标也可以在执行过程中动态调整。

从技术架构看，据公司披露，Duplex Reasoning以VLA（Vision-Language-Action）为主干，打通与世界模型预测的协同。语言部分将视觉、语音与环境变化压缩为可迁移的高层语义，驱动模型跨场景泛化；世界模型预测动作的未来可能结果，为长程任务提供事前约束。公司称两者共同指向一个目标：以可控算力成本，提升机器人在开放环境中的理解、决策与行动成功率。

这一架构在学术方向上并不孤立。VLA模型在2024至2026年间已成为具身智能的主流技术路线之一，多家公司和研究机构都在探索将语言模型、视觉模型与动作策略结合。世界模型作为长程任务的预测约束，同样是一个活跃的研究方向。斜跃智能的差异化主张在于“交互与行动一体化建模”——据公司披露，Duplex Reasoning实现了交互和行动在数据、模型结构与训练流程中的一体化。但公司尚未公开模型的具体架构细节、参数量、训练数据规模或基准测试结果，因此无法独立判断这一范式相对于其他VLA路线的实际优势。公司称“模型性能持续领先、任务泛化高效可靠”，这一表述来自公司官方口径，目前没有独立第三方基准测试或对比实验公开验证。

数据管线：Ego设备与“精品数据”策略的真实含义

斜跃智能在数据策略上提出了一个与行业主流“堆数据量”不同的方向。据公司披露，其已初步完成自研Ego数据采集设备及数据平台建设，围绕第一视角、无本体数据和与本体相关的高质量数据，逐步搭建分层数据体系。公司计划在2026年内跑通从采集、清洗、标注到训练的完整能力，并持续提升信号质量、任务覆盖度与标签有效性。

“Ego数据”指的是以机器人第一视角采集的感知数据，区别于第三方视角或仿真数据。这一概念在具身智能领域并非斜跃首创，但其自研采集设备和数据平台的组合，意味着公司试图控制从数据源头到训练输入的完整链路。据公司披露，其数据策略“优先追求高代表性、高信息密度的精品数据，而非盲目堆叠数据小时数”。这一选择有明确的成本逻辑：具身数据采集成本远高于文本或图像数据，盲目堆量会快速消耗融资资金。但“精品数据”的定义本身存在模糊性——什么构成高代表性、高信息密度，需要任务场景和评估标准来界定，而斜跃智能尚未公开其数据质量标准的具体指标。

从产业链角度看，自研Ego数据采集设备是一个重资产决策。它意味着公司需要在硬件设计、传感器选型、数据同步和标注工具上投入工程资源，而这些投入在短期内不会直接转化为模型性能。相比之下，部分具身智能公司选择使用第三方采集设备或开源数据集起步，以更快进入模型训练阶段。斜跃智能的选择更接近“全栈自控”路线，其合理性取决于数据质量提升能否显著超过硬件研发的时间成本。这一判断目前缺乏公开数据支持。

“单一本体、全栈闭环”：先压缩硬件变量，再谈家庭适配

斜跃智能在硬件策略上提出了“单一本体、全栈闭环”的阶段性路线。据公司披露，其通过控制本体构型、传感器选型和软硬件接口的一致性，先降低模型研发中的硬件变量，再将经验证的能力导入面向C端的家庭本体。同时，公司称将持续探索Home-native的产品形态，使机器人在空间通过性、交互方式、安全边界和家庭审美之间取得平衡。

这一策略的核心逻辑是：在模型尚未收敛的阶段，硬件形态的多样性会引入过多变量，增加模型训练的复杂度。先固定一种本体形态，让模型在稳定的硬件平台上积累能力，再考虑向家庭产品形态迁移。这与部分具身智能公司“先做通用人形机器人、再适配场景”的路线形成对比。斜跃智能的路线更接近系统工程思维，但其代价是：单一本体上验证的模型能力，能否泛化到不同的家庭机器人形态，本身就是一个未解问题。公司尚未披露其阶段性本体的具体形态、传感器配置或与最终家庭产品的差异。

“Home-native”这一概念同样值得审视。据公司披露，其目标是让机器人在空间通过性、交互方式、安全边界和家庭审美之间取得平衡。但“家庭审美”是一个高度主观的维度，难以用工程指标衡量。公司尚未公开其家庭本体的设计原型或用户测试数据，因此这一方向目前更多是产品愿景而非可验证的工程进展。

先在酒店和养老院验证：一条更长的路，还是一个更实的起点

斜跃智能最值得关注的策略选择，是其“先验证，再进家”的落地节奏。据公司披露，其计划先在酒店、养老院等半结构化场景中验证模型的跨空间泛化、任务完成率和单位经济性，再逐步进入家庭。洗衣、收纳、清洁等高频、长程且评价标准相对清晰的任务，将成为优先探索方向。

这一选择有明确的产业逻辑。酒店和养老院相对于家庭住宅，空间布局更标准化，物品摆放更规律，用户行为更可预测，安全边界也更容易定义。在这些场景中，任务完成率和单位经济性可以被更客观地测量，模型迭代的反馈周期也更短。从已披露的信息看，这意味着斜跃智能在短期内不会直接面向家庭用户销售产品，而是先在B端或半B端场景中积累运行数据和可靠性验证。

但这条路的代价同样明显。酒店和养老院场景中的任务分布与家庭存在差异：酒店清洁更偏向标准化流程，养老院护理涉及更高的安全要求和更复杂的人机交互。在这些场景中验证的模型能力，能否直接迁移到家庭环境，仍然是一个开放问题。斜跃智能尚未披露其在酒店或养老院场景中的具体试点进展、任务完成率数据或单位经济性测算结果。公司计划在2026年内跑通数据全链路，但场景验证的时间表尚未公开。

资本结构：天使+轮的信号与未解问题

斜跃智能的融资历史呈现出一种非典型结构。据公司披露，今年上半年其已开启创业历程并获得理想汽车与元璟资本投资，但未披露该轮次的金额和具体轮次。此次天使+轮融资数亿元，线性资本、钧山资本、弘颐资本、隐山资本等机构参与投资。从公开信息看，理想汽车和元璟资本未出现在本轮投资方名单中，这是否意味着早期投资方未参与追加，还是其投资属于更早的种子轮或天使轮，目前无法确认。

线性资本在本轮中扮演了公开背书角色。其投资声明中关于“汽车行业训练出来的能力”和“对最终用户负责过的组合”的表述，将斜跃智能的创始背景与家庭机器人的可靠性门槛直接挂钩。但投资方的判断不等于市场验证。线性资本在具身智能领域有多笔投资，其对斜跃智能的背书需要放在其投资组合策略中理解，而非作为独立的技术或商业验证。

钧山资本、弘颐资本、隐山资本的参与，据公开报道为参与投资，但三家机构未公开披露其投资逻辑或对斜跃智能的具体判断。隐山资本在物流和供应链领域有较多布局，其参与是否意味着斜跃智能在酒店、养老院等场景之外还有物流场景的潜在延伸，目前没有公开信息支持这一推断。本轮融资的具体估值、股权稀释比例、资金到账节奏均未披露。

资金用途与待验证假设：算力、数据、团队，以及那个绕不开的可靠性问题

据公司披露，本轮资金将用于推进具身基础模型训练、算力与数据基础设施建设、核心团队扩充，以及家庭机器人本体研发和场景验证。这四个方向中，算力和数据基础设施是具身模型训练的主要成本项。据公司披露，其团队具备万卡大模型训练经验，但具身模型的训练算力需求与语言模型不同，涉及多模态数据同步、实时推理和仿真环境集成，算力成本结构更为复杂。公司尚未披露其算力规模、训练集群配置或单位训练成本。

团队扩充是另一个关键变量。斜跃智能成立于2026年2月，至今仅七个月。在如此短的时间内，公司需要同时推进模型训练、数据采集设备研发、数据平台建设、本体研发和场景验证，对团队规模和执行力提出了极高要求。公司尚未披露当前团队规模、招聘计划或关键岗位缺口。

从已披露的信息看，斜跃智能面临的核心待验证假设包括：第一，Duplex Reasoning范式能否在真实场景中实现其宣称的“可打断、可修正、可接管、可持续进化”能力，而不仅仅是架构层面的概念创新；第二，Ego数据采集设备和“精品数据”策略能否在可控成本下产出足够高质量的具身训练数据；第三，酒店和养老院场景中验证的模型能力能否有效迁移到家庭环境；第四，从汽车行业迁移而来的量产可靠性经验，能否在家庭机器人的非结构化环境中成立。这些假设的验证需要时间、场景数据和公开的基准测试结果，而斜跃智能目前尚未提供这些证据。

具身智能领域的竞争格局也在同步变化。据公司披露，当前具身智能领域“远未收敛，数据采集方式各异，本体形态也各不相同，模型与硬件的结合路径也有很大差异”，不存在一个端到端的开源模型能够通吃全链路。这一判断本身是准确的行业观察，但它同时意味着斜跃智能选择的每一条技术路线——VLA主干、世界模型协同、Ego数据采集、单一本体策略——都面临来自不同方向的竞争。部分公司选择更轻的数据策略，部分公司押注人形机器人通用平台，部分公司聚焦特定垂直场景。斜跃智能的“全栈闭环”路线在理论上能形成更高的壁垒，但在早期阶段也意味着更高的资源消耗和更慢的场景落地速度。

斜跃智能的融资公告中，公司称“将以阶段性成果向投资人证明斜跃的价值：模型性能持续领先、任务泛化高效可靠、Duplex Reasoning范式在家庭场景已形成迭代闭环”。这一表述来自公司官方口径，其中“持续领先”“高效可靠”“已形成迭代闭环”均未提供可独立验证的数据或基准测试支持。在具身智能领域，类似的表述在多家公司的融资公告中反复出现，其实际含义需要后续公开的测试结果和场景数据来检验。

验证边界与可复核指标

本文涉及的“首个、唯一、最大、领先”、订单、出货、性能等表述，如无另行说明，均是公司、创始人或投资方在现有公开材料中的披露口径；RecodeX未在本次采集材料中找到独立审计或第三方测试结论，因而不将其视为已经独立确认的事实。文中的产业协同、竞争位置和商业路径属于基于已披露产品与融资用途的编辑分析，不代表相关结果已经实现。

• 技术侧应核验第三方测试条件、样本规模、良率、稳定性及与可比方案一致口径的结果；
• 商业侧应核验去重后的付费客户、可执行合同、收入确认、复购率以及订单转化；
• 资本与产业协同应以工商股权、关联交易、联合开发、采购或量产文件为准。

RecodeX 极客视：斜跃智能把“可靠性”摆上桌面，这比大多数演示视频更接近家庭机器人的真实问题。但可靠性不是一句判断，而是一格一格往上推的成功率曲线。酒店和养老院的验证数据、Ego数据管线的产出质量、Duplex Reasoning在真实任务中的可打断性，这些才是下一轮叙事的分水岭。在具身智能远未收敛的当下，选择全栈闭环意味着更长的沉默期，而沉默期的长度，将决定这家公司是成为家庭机器人的定义者，还是又一个在进家前夜耗尽弹药的探索者。