六款模型分别为Helios、SimLab、ActiWorld、EvoHIL、AnuVerse-0.5和Nexus；安努称富临精工绵阳工厂料箱搬运场景已有批量订单在跑，单班回本周期12-18个月。
AI解读：安努智能一周内发布了六款模型和系统，覆盖数据生成、认知理解、训练进化、动作执行、端到端部署几个环节，目标是让机器人真正进工厂连续干活，而不是停留在演示视频层面。
这套体系里最能说明问题的是部署效率数据。安努称富临精工第一个工位用了4个月才跑通部署，沉淀出可复用技能包后，同类工位现在3天能搞定，设备平均故障间隔时间超过300小时。
安努把自身定位在通用基座和真实产线之间的中间层：上游基座由头部厂商做，场景数据来自客户，安努做检验、学习和落地。这个定位是否成立，取决于产线回流数据能不能持续变成部署优势。
安努智能在2026年9月10日前后一周内发布了六款模型和系统，分别指向数据生成、认知理解、训练进化、动作执行和端到端部署环节。安努将自身定位为专注工业具身智能商业化落地，董事长兼CEO文宏杰表示，公司判断模型能力会随全行业进步持续外溢，只有部署经验会越攒越深。
Helios与SimLab：先解决数据从哪里来
六款模型中的Helios是实时长视频生成模型。据安努介绍，Helios能实时生成分钟级长视频，在单张H100 GPU上实现19.5 FPS的推理速度。它最初并非专门为机器人或具身智能设计，但其涉及的长时序建模、持续生成、实时推理和高效视频生成，也是具身智能和世界模型的基础问题。安努称Helios目前已被多家头部具身智能与世界模型团队采用。
SimLab是软物体仿真平台，面向物料分拣、快递包装这类软体物体任务。安努称刚性物体仿真行业已经比较成熟，但软体物体在褶皱和光线变化下用传统物理引擎很难精确建模。SimLab的核心是一套自研的软体和热学物理求解器，配合基于Isaac Sim搭建的合成数据工厂和已在真实机械臂上验证过的sim2real迁移方法。安努称面向物流软包裹分拣的抓取数据生成、面向工业设备的热视觉数据生成，以及这套仿真到真机的迁移方法，均已在项目中完成验收落地，并用百元级机械臂、零真实标注跑通全流程。
ActiWorld：让世界模型对动作后果负责
ActiWorld的设计目标是让机器人对自己动作的后果负责，在真正伸手之前先判断这一下大概率会不会失败。安努称其与部分世界模型技术路线的区别在于，ActiWorld关注动作、时间、空间三个角度，确保预测画面包含足够的动作信息。
训练环节设计了三条约束：逆动力学头从相邻预测结果里反推动作；双向预测要求模型既还原过去又预测未来；运动加权根据相邻真实画面的差异算出运动区域权重。这三条约束只用在训练阶段，推理环节走标准接口，兼容现有动作条件扩散骨干。
据安努介绍，ActiWorld对成败的判断和真实结果的偏差低于3.25%。在一个要求把包裹二维码朝上放到传送带上的分拣任务中，原本执行策略的成功率是56%，加上ActiWorld引导的预演之后，相对失败率降了约13.6%。
RoHIL与EvoHIL：应对光照与工位变化
RoHIL和EvoHIL是两代真机强化学习技术，针对光照条件变化导致动作失稳、以及工位和任务变化导致训练好的模型失灵这两类问题。安努称在RoHIL和EvoHIL框架下，机器人训练只需30分钟就能达到满分水准，跨光照场景不需要重新采集数据，奖励标准也不用人工每次离线重新标注，系统会根据人工确认过的成功样本自行迭代，不用停线重训。
以USB插入这类精密任务为例，安努称做到了100%的成功率；光照条件完全偏移时，需要人工介入的比例只有1.32%，不到旧方法的十分之一。RoHIL通过给世界模型重新打光，使跨光照条件部署的成功率做到100%。EvoHIL则给奖励模型、动作生成器、视觉感知装上自适应能力，让模型适应新工位、新光照并自己生成新的动作方案。安努称有了EvoHIL，机器人在6类典型工业任务中成功率大幅提升；训练、迁移、奖励设计三块成本叠加，同等规模部署下整体成本能降低80%左右。
AnuVerse-0.5与Nexus：执行与部署
AnuVerse-0.5是世界动作模型，采用视频专家预测画面、动作专家输出动作的MoT架构，基于14B参数的Helios开发。安努称其推理速度做到百毫秒级，一张桌面级显卡就能跑起来。
Nexus是端到端部署系统，安努将其定位为产业链中的软件定义部署层，把模型和不同品牌机器人之间的调度统一起来，让VLA、世界动作模型这类端到端模型都能快速部署上线。Nexus具备快速部署、自主调度、资源汇聚三项能力，并内置一层基于动作层面的安全盾。在工厂系统对接上，安努称Nexus已打通SAP的EWM和Joule系统。
模型跑出的真实数据会回流到最底层的数据基座，用于训练下一轮。
部署数据与订单情况
文宏杰表示，安努没有一味追求强大基模，而是让工程师先扎进富临精工的真实产线。据安努介绍，有的抓取任务在实验室能做到100%成功率，但搬到产线上，只因为车间顶灯换了个角度，成功率瞬间跌到40%，这种情况在富临精工真实发生过。
安努内部用FDE（前沿部署工程）来类比这套工作方式：驻场环节解决具体问题，项目结束后人力撤出，可复用的产品能力保留下来，工程师踩过的坑沉淀为可复用的技能包。安努称富临精工的第一个工位用了4个月才跑通部署，有了技能包后，同类型工位现在3天就能搞定，设备平均故障间隔时间超过300小时。
在被问及是否有实际订单时，安努表示富临精工绵阳工厂的料箱搬运场景已经是批量订单在跑，不是POC。安努称其机器人一机多岗靠Nexus调度，换线不重新示教，单班回本周期能压到12-18个月，比传统工业机器人便宜40%以上。文宏杰还表示，当新增一台机器人带来的软件收入增长快于交付人力的增长，公司才真正进入规模化阶段。
研发路径与外协分工
安努称其并非每个模块都从零自研：世界模型基座采用本体厂商开源或授权版本；3D视频生成联合北大、字节、Canva共同研发；ActiWorld与香港科技大学（广州）共同研发；强化学习框架联合重庆大学及香港大学。安努将研发攻坚集中在AnuVerse 0.5端侧垂直小模型与Nexus端到端部署系统两处。
安努援引高盛8月底发布的全球具身智能研究报告称，机器人走路、导航这类能力很大程度可以靠仿真训练解决，但柔性物体操作、工具使用、精细抓取这类任务本质上无法仿真，因此稀缺的是来自真实产线和真实场景的部署数据；报告把这类部署产生的专有数据视为机器人公司长期的护城河。