前 NVIDIA 研究团队创立的 Dream Labs，在 2026 年 10 月 24 日带着 9000 万美元 种子轮融资走出隐身模式，同时上线了基于世界动作模型架构的通用机器人模型 Dream-1 及其公共 API。
团队宣称只要将一台未见过的双臂平行夹爪机器人接入接口，就能开箱即用，既不需要微调，也不需要该本体的示范数据。但在热闹的演示视频背后，真正的现实远比公关修辞骨感。
相对性能的游戏与绝对胜率的鸿沟
官方宣称 Dream-1 在模拟器中跑了 27 种未见过的机器人，在物理世界中控制了 4 种实体构型。展示图表里，不同机器人的泛化得分几乎都在基准线附近：OpenYAM 达到 92.7%，reBot B601-DM 为 87.3%，Maker Arm 占 86.2%，Metal Arm 则是 70.5%。
很多读者第一眼以为这意味着九成以上的任务成功率。但这只是相对于训练基准机器人的归一化性能比值。如果基准本体只拿了 40 分，拿到九成的未见过机器人实际也只有 36 分。
翻开具体任务指标，在未见过的真实操作场景中，Dream-1 抓取与放置的绝对成功率只有 40%，插入操作跌到 24%，柔软布料整理为 19%，而涉及工具使用的复杂动作直接探底至 6%。
至于第三方机构 RoboCurve 给出的高分评测，平均得分 59 分确实压过了 Opus 5.5 和 Gemini 4 Argon 的 48 分。但该测试挑出的是难度最低的 6 个基础动作，不仅包含了分步的部分得分，测试所用的机器人恰恰就是模型见过的 YAM 原型臂。
拿熟悉硬件上的基础动作跑分，无法证明它在陌生机械结构上具备可靠作业的能力。
世界动作模型与末端解算的妥协
技术路径上，Dream Labs 走了一条有别于常规 VLA（视觉-语言-动作）策略的路。团队在 2026 年 2 月发布 DreamZero 论文时就提出了世界动作模型架构，通过联合预测未来视频画面与动作轨迹，让图像成为不同硬件之间的通用中介。
论文早期对比 Physical Intelligence 的 π0.5 模型时，在未见过的 DROID-Franka 任务上，DreamZero 取得了 49% 对 33% 的进展率，完全成功率做到 22.5% 对 7.5%。这套思路确实缓解了数据饥渴。
但 Dream-1 所谓的跨本体控制，在工程实现上依赖极其严格的前提：它并不直接控制关节电机，而是预测双臂末端夹爪的空间位姿，再交由机器人本地的逆运动学（IK）解算器转为关节角度。
这种设计把通用性框死在特定范围里。
它只能适配两只胳膊带平行夹爪的形态，面对五指灵巧手或吸盘结构直接失效。更棘手的是，位姿预测无法感知各家硬件的连杆物理极限，一旦解算器撞上机械臂的奇异点或关节限位，轻则轨迹突变，重则碰撞损坏。
廉价硬件飞轮背后的商业算计
Dream Labs 极力描绘一个硬件价格下探引爆算法升级的正向闭环：2000 美元的双臂制作套件已经出现，市场上已有 7 款低于 1.5 万美元的半具身设备，而 Hugging Face 在 2026 年 8 月 28 日推出的 399 美元玩具机器人 Microduck，更是 4 天卖出超过 10000 台。
但这里存在明显的叙事绑定。
演示中 Microduck 笨拙叠衣服的场景，官方小字明确标注使用的是专用微调检查点，根本不是 Dream-1 的零样本调用。买玩具的用户为了可爱买单，而真正的家务与操作容不得试错。
相对指标的漂亮曲线只属于发布会，物理世界只认绝对完成度。
商业落地上，Dream Labs 开出了明确的计费：Dream-1 每小时 3 美元，轻量版 Dream-1-flash 每小时 2 美元。模型单次调用返回 1.6 秒 的连续动作轨迹。
- 风险.将长达 1.6 秒的开环轨迹托付给云端 API，意味着每隔一两秒机器人都要承受网络延迟波动；在动态环境下，哪怕几百毫秒的卡顿也可能导致打翻器皿。
这一轮 9000 万美元巨额种子轮没有公布具体的投资机构名单，它更像是资本对具身基础模型席位的一次抢注。工欲善其事，必先利其器，但在底层动作成功率仅有个位数的现实下，靠云端 API 统一天下机械臂的宏图，显然还要面对物理规律更严苛的清算。