一句话定义：全身基座模型（Whole-Body Foundation Model）是一类先在大量人类全身行为数据上预训练、再直接输出全身各部位动作的通用模型，目的是让机器人像人一样协调全身行动，而不是一个关节一个关节地单独学。
它和过去的做法有什么不同
传统全身体控（whole-body control）采用分层结构：上层规划器先算出手该伸到哪、重心该压到哪，下层控制器再解算成几十个关节的角度或力矩。每个任务都要单独调参，换一个场景基本就要重来。
全身基座模型把这一串环节合并进一个模型：输入摄像头画面、语言指令和机器人自身的关节状态，输出一串「动作 token（action token）」，再由解码器翻译成全身各关节的指令。打个比方，过去的机器人像背台词，一句一句地学；全身基座模型则像先看完几万小时的人类生活录像，学会了「人是怎么动的」这门通用语言，再迁移到具体任务上。
高德 λ0 是这条路线的一个公开例子。据公开介绍，它用开放世界里的人类行为数据做预训练，把人的动作当作监督信号，模型直接生成全身动作 token，跨过「先规划、再控制」这一层。这么做的动机很朴素：人类视频到处都是，而给每台机器人采集遥操作（teleoperation）数据既贵又慢。具体技术细节还请以官方页面为准。
三者对比
| 维度 | 传统全身体控 | VLA（Vision-Language-Action） | 全身基座模型 |
|---|---|---|---|
| 学习对象 | 某个任务的轨迹 | 视觉与语言到动作的映射 | 全身动作本身 |
| 主要数据 | 真机遥操作、仿真 | 机器人演示与图文数据 | 开放世界人类行为数据 |
| 输出 | 关节角或力矩指令 | 多为末端执行器或上半身动作 | 全身动作 token |
| 泛化能力 | 换任务就要重训 | 跨物体、跨指令 | 跨任务、跨部位、跨本体 |
需要说明的是，这不是三个互斥的框。可以理解为 VLA 是一条从视觉语言通往动作的路，而全身基座模型是往「整条身体」延伸的那一支；两者的差别主要在于学什么、拿什么数据学。
对从业者和普通人的意义
对做具身智能的人来说，数据采集方式发生了变化：重心从「造机器人采数据」转向「用人类的视频和动作数据」，工程重点也从控制器调参，转到动作重定向（retargeting，把人的骨骼动作映射到不同尺寸的机器人身上）、动作 token 化设计、数据清洗上。对普通人来说，意义在于机器人可能不必为每件家务单独编程，才有可能走进家庭这种长尾场景。
两个绕不过去的难题
一是数据：人类视频本身不带关节角标签，要靠动捕或姿态估计（pose estimation）反推，噪声大；人和机器人的身体比例、自由度都不一样，「对齐」很难，这也正是「全身动作对齐」这个词的分量所在。
二是评测：目前还没有公认的全身任务基准，单看某个动作的成功率，说明不了「全身协调」是否达标；摔倒、碰到人这类安全风险，也很难只在仿真里验证。
判断一个「全身基座模型」是否名副其实，可以看三件事：预训练数据是不是人类行为、输出的是不是整套身体动作、换一个机器人本体还能不能运行。