一台机器人在工厂里学会把一种规格的零件放进托盘，当零件尺寸变了、托盘位置挪了、甚至整台机械臂换成另一个品牌，它往往需要工程师重新采集数据、重新标注、重新训练。这不是某个客户的抱怨，而是具身智能从实验室演示走向真实部署时反复出现的断点。2026年10月8日，北京本溯智能科技有限公司（BASAL Intelligence）宣布完成种子轮融资，由五源资本领投，常春藤资本、线性资本、华山资本（WestSummit Capital）参与投资，光源资本担任独家财务顾问。公司把上述断点作为切入点：它正在研发一套“动作原生的 In-Context 具身基础模型”，试图让机器人不再依赖针对每个任务重新训练，而是在现场通过少量示范和自主尝试完成适应。
本溯智能成立于2026年7月21日，由八名具身智能领域研究者共同创立，核心成员来自清华大学和北京大学等高校。创始人兼CEO李健雄于2021年本科毕业于西安交通大学机械工程学院，随后进入清华AIR攻读博士，师从张亚勤院士，是清华AIR及张亚勤院士招收的首届博士生之一。首席科学家詹仙园现任清华AIR副教授、清华AIR-DREAM Lab主任，曾任微软亚洲研究院研究员、京东科技数据科学家和上海AI Lab双聘青年研究员。公司称其研发目标为：机器人面对训练阶段未见过的场景、任务或机器人本体时，无需重新训练模型，即可在几分钟内完成学习与适应。该时间指标的起止点未披露，这一目标尚无独立第三方验证。
| 字段 | 内容 |
|---|---|
| 公司 | 本溯智能（BASAL Intelligence，北京本溯智能科技有限公司） |
| 轮次 | 种子轮 |
| 金额 | 未披露 |
| 投资方 | 五源资本（领投）、常春藤资本、线性资本、华山资本（WestSummit Capital） |
| 总部 | 北京 |
| 创始人 | 李健雄（创始人兼CEO）、詹仙园（首席科学家） |
| 官网 | 未披露 |
把动作而非语言作为模型主表达，是对现有VLA路线的一次反向切割
公司称其模型将动作作为核心表达方式，重点建模动作、任务反馈、失败纠正和人类示范之间的关系，并将模型主要容量用于动作生成。这是公司披露的技术定位，尚待第三方验证。模型通过长上下文组织连续的物理交互信息，根据此前的动作及其结果调整后续决策。这意味着模型内部需要维护一段可追溯的交互历史，而不是把每次动作预测当成孤立映射。
从已披露的X-VLA与ODEWorld两项工作看，团队的技术积累集中在跨本体动作表达和长时序物理信息建模两个方向。据团队介绍，X-VLA使用不足1000小时的预训练数据探索不同机器人本体之间的学习与迁移，并基于该模型参加IROS 2025智元机器人挑战赛，在400多支参赛队伍中获得总冠军。ODEWorld则通过连续物理时间的隐空间建模，研究长时序物理信息的表达。这两项工作构成了公司技术叙事的前置证据，但它们本身是研究项目，距离可部署的具身基础模型仍有工程化距离。
把动作作为核心表达，意味着模型需要直接处理动作序列中的失败与纠正信号。这与传统模仿学习存在差异：模仿学习通常假设示范是正确且完整的，而真实部署中的交互往往包含错误尝试和人工纠正。公司称其模型重点建模失败纠正，但来源材料未披露具体的失败建模方法、纠正信号的数据结构，以及模型如何在长上下文中区分有效示范与无效尝试。这些是判断技术路线能否成立的关键细节。
从模型容量分配的角度看，把主要容量用于动作生成，可能意味着语言和视觉模块在模型中被压缩为辅助角色，而非主导角色。这种设计如果成立，可能带来的直接后果是：模型对任务语义的理解不再依赖复杂的自然语言指令解析，而是更多依赖动作序列本身携带的任务结构。但这一推断需要更多模型架构信息才能验证。来源材料没有披露模型参数量、模块划分方式，也没有说明语言信号在模型中的具体输入形式。因此，所谓“反向切割”目前仍停留在技术路线描述层面，其工程实现细节尚未公开。
“几分钟内适应新任务”是产品承诺，不是已验证能力
公司称其研发目标是让机器人在几分钟内完成学习与适应，该时间指标的起止点未披露。其目标场景包括训练阶段未见过的场景、任务或机器人本体，这意味着模型需要同时处理视觉分布偏移、任务定义变化和本体动力学差异三类问题。每一类问题在机器人学习领域都是独立的研究难点，叠加后的难度并非线性增加。
从已披露的竞赛成绩看，X-VLA在IROS 2025智元机器人挑战赛中获得总冠军，参赛队伍超过400支。据团队介绍，该模型使用不足1000小时的预训练数据。这一数据量在具身智能领域属于较小规模，如果该说法准确，说明团队在数据效率上有别于大规模数据驱动路线的技术选择，但竞赛成绩尚不能直接证明其数据效率优势。竞赛环境与真实部署存在系统性差异：竞赛任务通常有明确的成功判据、受控的环境变量和固定的机器人平台，而公司声称要解决的恰恰是环境、任务和本体同时变化的问题。竞赛冠军是单点能力证明，不能直接推导出跨本体部署能力。
另一个需要拆解的概念是“无需重新训练”。公司称其模型面对新任务时无需重新训练，仅通过上下文中的示范与交互适应。这在技术上对应In-Context Learning，即模型参数保持不变，仅依靠上下文信息改变行为。但上下文长度的物理上限、长上下文中早期交互信息的遗忘、以及不同本体动作空间的映射方式，都会影响这一机制在真实机器人上的效果。来源材料未披露模型支持的上下文长度、可适应的本体类型范围，以及上下文学习失败时的回退机制。这些未披露项决定了“无需重新训练”在多大程度上是工程现实，而非研究假设。
值得进一步拆解的是“几分钟”这个时间量词本身。它可能指模型推理完成适应所需的计算时间，也可能指从人类开始示范到机器人完成新任务的全流程时间。两者含义不同：前者只涉及模型前向计算，后者还包括数据采集、示范录入、机器人执行和可能的失败重试。来源材料没有明确这一时间指标的起点和终点，也没有说明它是否包含人类示范的时间成本。对于潜在客户而言，这个区分可能直接决定部署效率的评估方式。
团队配置覆盖模型到硬件，但商业化路径仍是空白
本溯智能的创始团队来自清华AIR。据公司/团队披露，李健雄在博士期间发表近30篇顶会论文，其中5篇入选Oral或Spotlight，并获得ICML 2024 MFM-EAI Workshop杰出论文奖、ICLR 2026 ES-Reasoning Workshop最佳论文奖。詹仙园的研究方向包括决策智能、具身智能和自动驾驶，已发表论文80余篇。其他核心成员曾参与Wall-OSS-0.5、X-Tokenizer等具身模型项目，并在自动驾驶方向提出Diffusion Planner，后续工作Hyper Diffusion Planner进一步研究基于扩散模型的端到端自动驾驶模型设计与训练方法，并完成实车验证。
光源资本董事总经理李正伟在交易声明中称，公司是“长期协作的整建制团队”，覆盖“模型+交互+硬件+数据+评测”全链路闭环。这是投资方口径，描述的是团队能力结构，而非已交付的产品或服务。从公开信息看，团队的研究与工程背景覆盖具身智能、多模态大模型、世界模型、强化学习、自动驾驶及机器人系统，但公司未披露任何客户、试点项目或商业化进展。商业模式同样未披露。
这意味着本轮融资的实质，是投资方对一个早期团队进行押注。公开材料未披露收入与正式产品信息，本轮融资属于对早期团队的押注。五源资本领投、三家机构跟投的阵容，说明资本方认可团队的研究积累和技术方向。但种子轮阶段的核心变量不是收入，而是团队能否在合理时间内把研究原型转化为可被外部验证的模型能力。公司成立于2026年7月21日，到融资宣布仅两个多月，公开材料未披露产品化进展。
从团队背景看，李健雄同时具有机器人硬件研发与真机系统经验，据公司披露曾获得20余项硬件赛事奖项。这一履历与“模型+交互+硬件”的全链路叙事存在对应关系，可能意味着团队在真机调试环节具备一定工程基础。但硬件赛事经验与工业场景部署之间仍有距离：赛事通常有明确的规则边界和可重复的测试条件，而工业场景中的任务定义、环境干扰和失败成本都更复杂。团队能否把硬件经验转化为可交付的机器人系统，仍需通过实际部署验证。
与替代方案相比，动作原生路线省掉的是后训练，增加的是推理期不确定性
要理解本溯智能的定位，需要把它放进具身智能部署的真实成本结构中。当前常见的部署方式有两种：一是针对特定任务采集数据、进行后训练或微调，再部署到固定场景；二是依赖更通用的视觉语言动作模型，通过大规模预训练覆盖更多场景，但在新任务上仍可能需要少量微调。前者的瓶颈是数据采集和后训练成本，后者的瓶颈是预训练数据规模和跨本体泛化能力。
本溯智能的路线试图绕过两者：不做任务级后训练，也不依赖超大规模预训练数据，而是把适应能力放到推理期的上下文中。从已披露的X-VLA使用不足1000小时预训练数据这一信息看，团队确实在尝试用较小数据规模实现跨本体迁移。如果这一路线成立，它可能显著降低多场景部署的边际成本。但代价是推理期的不确定性：模型必须在没有参数更新的情况下，仅凭上下文中的少量示范和交互历史完成适应。这对模型的上下文建模能力、长程记忆能力和失败恢复能力提出了远高于传统路线的要求。
另一个值得注意的约束是端侧部署。李正伟在声明中称，模型有望成为“国内率先实现机器人端侧自进化与跨本体泛化的具身基模公司”。这是投资方口径，使用了“有望”这一前瞻性表述，尚无独立第三方验证。端侧自进化意味着模型需要在机器人本地硬件上完成上下文学习和动作生成，而不是依赖云端算力。来源材料未披露模型参数量、端侧推理延迟、硬件要求或能耗指标。对于一家声称瞄准大规模部署的公司而言，这些指标比研究阶段的模型精度更接近商业化的硬约束。
从成本结构的角度进一步看，动作原生路线可能改变的是部署成本的时间分布。传统后训练路线把成本集中在部署前的数据采集和训练阶段，而上下文学习路线可能把成本转移到部署后的推理阶段：模型需要在每次新任务适应时处理更长的上下文、更复杂的交互历史，这可能导致端侧计算负载上升。如果端侧硬件无法承载这种推理负载，公司可能被迫回到云端推理，从而削弱“端侧自进化”的叙事基础。这一矛盾目前没有在来源材料中得到回应，模型的实际推理成本仍是未披露信息。
五源领投的资本结构清晰，但金额与资金用途均未披露
本轮融资的投资方组合为五源资本领投，常春藤资本、线性资本、华山资本参与。公开材料未披露各机构在具身智能领域的具体布局记录。四家机构同时出现在种子轮，可能反映多家机构对同一技术叙事的关注，但本轮投资比例与决策依据未披露。
融资金额未披露，资金用途也未披露。对于种子轮公司，金额未披露并不罕见，但它限制了外界判断本轮融资的实质规模：这是一笔足以支撑团队运行12至18个月的标准种子轮，还是一笔接近天使轮的小额启动资金，外界无法从公开信息中确认。同样，资金用途的缺失使外界无法判断公司接下来优先投入模型训练、真机系统搭建、数据采集还是团队扩张。公司称其团队覆盖“模型+交互+硬件+数据+评测”全链路，但全链路意味着更高的资源消耗，种子轮资金能否覆盖全链路建设，是未披露信息背后的关键问题。
光源资本担任本轮独家财务顾问，但交易条款与融资过程未披露。来源材料没有披露各家机构的投资比例、董事会席位安排或后续融资优先权。对于外界而言，资本结构的清晰只停留在机构名单层面，交易层面的具体安排仍属未披露信息。
风险不在技术叙事，而在“自进化”能否被外部验证
来源材料明确提示，具身智能赛道竞争加剧，快速商业化落地进度或不及预期。这是行业层面的风险提示，但本溯智能面临的风险更具体。公司把核心价值锚定在“机器人自进化”和“跨本体泛化”上，这两个概念在公开材料中尚无工业部署的公认评测标准。没有标准，就意味着客户无法横向比较不同模型的自进化能力，投资机构也难以用统一指标跟踪公司进展。
从已披露信息看，公司目前的可验证成果只有X-VLA的竞赛成绩和ODEWorld的研究工作。竞赛成绩有明确的第三方赛事背书，但它是单点能力证明；ODEWorld的技术贡献在公开材料中仅有定性描述，尚无量化评测结果。公司称其模型目标是让机器人在几分钟内适应新任务，但未披露任何用于衡量“适应成功”的任务集、成功率基线或对比实验。如果公司不能在后续融资或产品发布中提供可复现的评测结果，“自进化”可能停留在叙事层面，难以转化为客户可感知的产品差异。
另一个待验证假设是跨本体泛化的边界。公司称模型可适应训练阶段未见过的机器人本体，但未披露已测试的本体类型范围。不同本体的自由度数量、关节限位、末端执行器类型和动力学特性差异巨大，一个模型能否在机械臂、人形机器人、移动操作平台之间泛化，取决于动作空间的抽象方式。公司称其将动作作为核心表达，但“动作”在不同本体上的表示方式并不统一。如果动作空间需要针对每类本体重新定义，跨本体泛化的实际范围可能远小于叙事所暗示的广度。
从已披露的X-VLA使用不足1000小时预训练数据这一信息，可以推导出一个有边界的判断：团队在数据效率上确有区别于大规模数据驱动路线的技术选择，且该选择在竞赛场景中获得了正向反馈。但竞赛场景与公司声称的“真实场景中自进化快速学习”之间存在环境复杂度、任务多样性和失败成本三个维度的差距。这三个差距能否被后续工作弥合，取决于公司是否披露更多真机实验和标准化评测。
进一步看，“自进化”这个概念本身可能隐含一个待验证的假设：模型在部署后能够持续从交互中改进，而不会因为错误尝试的累积而退化。如果模型把失败尝试也纳入上下文学习，它需要具备区分“有效失败”和“无效失败”的能力，否则可能把噪声当成信号。来源材料没有披露公司如何处理这一区分，也没有说明模型在长期运行中是否设有安全边界或人工干预机制。对于工业客户而言，一个会在部署后持续改变行为的模型，可能带来可预测性方面的顾虑。这一风险目前尚未在公开信息中得到回应。
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：本溯智能的种子轮融资，本质上是在押注一个尚未被外部验证的技术假设：动作原生的上下文学习能否替代任务级后训练，成为具身智能部署的通用底座。团队的研究履历和竞赛成绩提供了初步可信度，但“几分钟内适应新任务”的产品承诺、跨本体泛化的实际边界、以及端侧自进化的工程可行性，都还停留在公司口径和投资方判断的层面。在具身智能从演示走向部署的转折点上，这类技术路线值得被认真对待，但它需要的不只是更多融资，而是一套可以被客户、同行和第三方评测共同检验的能力证明。
信息来源
本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。