9 月 7 日，宇树发布一段 38.5 秒的视频，展示 G1 人形机器人在擂台内与一名穿戴拳靶、护胸和护腿的训练员对抗。宇树把系统称为 UnifoLM-X2-1.0，并宣称这是由实时世界模型驱动的“完全自主”人形机器人格斗。视频中的机器人连续完成逼近、后撤、直拳、摆拳和踢击，在近距离接触后保持站立；约 30 秒的主体片段同时给出两路实拍、三路“未来规划”画面和运行日志。
这段演示提供了比成套动作展示更多的闭环线索：策略服务持续接收新观测，生成后续动作，再由执行端接管。它仍是一段厂商选择发布的受控演示。宇树没有同时公开 X2-1.0 的技术报告、代码、权重、成功率、失败片段、控制频率或算力配置，因此视频可以支持“系统在这次对抗中运行了闭环重规划”，还不足以验证任意对手、任意场地上的稳定自主能力。
日志显示约 30Hz 执行，策略每隔约 0.4 秒重规划
AGI Daily 下载了宇树帖文中的 1920×1080 原视频并逐帧检查。主体画面右下角的 EXEC env.step 日志连续出现于 22:14:05.291、05.324、05.357、05.391、05.424 和 05.457，相邻间隔约 33 至 34 毫秒，对应约 30Hz 的动作执行节奏。这个数字来自画面日志复算，不是宇树公布的 X2-1.0 规格。
左下角日志把系统分成 Client 和 PolicyServer。客户端发送 OBS/replan，服务端返回 ACTION，随后客户端执行 install ACTION。三组清晰可辨的请求从发送到返回分别约为 232、270 和 251 毫秒；相邻重规划请求间隔约 0.36 至 0.40 秒。日志还显示动作包带有 suffix=60 或 suffix=61，以及至少一次等待新动作时的 EXEC pause 和收到动作后的 resume。
这些字段说明高层模型没有在每个约 33 毫秒的控制步上重新完成一次大模型推理。执行端在消费已有动作序列的同时，策略端根据新观测计算下一段动作，再把新动作包安装进去。PolicyServer 与 Client 的命名只能证明服务与执行逻辑分离；视频没有交代服务器位于机器人机身、场边工作站还是远端设备。
动作块把慢推理接入快控制，也带来反应与连续性的取舍
机器人基础模型常一次生成一段未来动作，而不是只生成下一个关节指令。这种“动作块”让低层控制器可以连续运行，也给较慢的视觉和生成模型留下计算时间。代价是动作块越长，系统越难及时吸收新观测；切换得越频繁，又可能在两个动作方案之间产生跳变。
Physical Intelligence 与加州大学伯克利分校 2025 年的实时动作分块研究把问题表述得更明确：模型在旧动作块执行期间异步生成新动作，并让新旧动作在重叠区保持连续。宇树视频里的重规划、动作安装和持续执行与这一类异步控制问题相符，但宇树没有说明 X2-1.0 是否采用该论文的方法，也没有公开动作包长度、重叠规则或延迟补偿算法。视频里约 30Hz 的 env.step 因此应理解为执行频率，而不是世界模型完整推理频率。
WMA-0 公开了世界模型与动作头的组合，X2-1.0 尚未公开细节
宇树 2025 年开源的 UnifoLM-WMA-0 提供了理解这条路线的基线。公开仓库把世界模型用于两种模式：决策模式预测未来物理交互，辅助动作头产生控制序列；仿真模式则根据机器人动作生成后续环境画面，用于数据生成和交互模拟。其公开配置采用潜空间视频扩散模型，并接入一维动作扩散头；示例配置的时间长度为 16 步。
WMA-0 的真机部署文档同样采用服务器—客户端结构：机器人客户端采集观测并查询服务器动作，示例命令使用 16 步动作视野、16 步执行视野和 15Hz 控制频率。X2-1.0 视频里的 30Hz 执行、带有 suffix=60/61 字段的动作包和较短重规划间隔，与这个旧示例的调度设置并不相同；仅凭字段名还不能把 60 或 61 解释为确定时长。由于宇树没有发布 X2-1.0 的对应代码或配置，不能把 WMA-0 的网络结构、训练数据和 15Hz 参数直接移植到新系统上。
相比遥控格斗，变化在于谁决定下一段动作
2025 年 5 月，宇树 G1 已在杭州参加人形机器人格斗赛事。当时主办方和现场报道都明确写到，四支队伍由人类操作者实时控制机器人；《南华早报》记录的输入方式包括遥控和语音指令。机器人已经能够完成直拳、勾拳、侧踢、腾空旋踢和倒地起身，说明高动态动作本身并非 X2-1.0 首次展示。
本次演示的新增主张是把“下一段做什么”的决策从场边操作者交给模型。若宇树的完全自主声明成立，这确实改变了系统边界：模型不仅复现预先训练好的招式，还要从当前画面判断距离、对手姿态和接触结果，及时选择并衔接动作。视频中的多视角未来画面和持续重规划日志为这一闭环提供了可见线索。
演示条件同时压低了结论上限。对手是一名佩戴大面积护具的训练员，主要在固定擂台内提供清晰目标；视频没有展示随机化规则、连续试验次数、失误率、摔倒后的自主恢复，也没有动作库、无世界模型策略或人工遥控基线。三路“未来规划”画面看起来像预测视频，但发布材料没有给出预测时长、像素或状态误差，以及预测质量与最终动作成功之间的关系。
下一步要测的是长期闭环，而不是再增加一个高光动作
若要把这段演示推进为可比较的技术结果，最关键的是公开四类数据：在未见过的训练员、起始距离和攻击顺序下重复多少次、成功和跌倒如何定义；关闭世界模型或改用动作库后，命中、闪避和平衡恢复是否下降；策略往返延迟、动作执行频率和重规划频率在网络抖动与算力降级时怎样变化；长时间运行后的电量、温度、关节冲击和人工接管次数是多少。
格斗的价值在于它把感知、预测、动作选择和平衡控制压进同一个快速变化的闭环。宇树的视频已经让外界看到这条链路可能如何运转，也暴露出约 30Hz 低层执行与约四分之一秒策略计算并存的工程形态。能否跨越受控演示，取决于下一次发布是否提供连续原始记录、对照实验和失败分布；这些证据才足以检验“完全自主”和“大规模部署”两项更强的主张。
