4月11日,通用机器人公司傅利叶正式发布首款开源人形机器人 Fourier N1,并同步开放涵盖物料清单、设计图纸、装配指南、基础操作软件在内的完整本体资源包。作为傅利叶 “Nexus 开源生态矩阵” 的首个落地项目(“N1” 即 “Nexus-01”),N1将为全球机器人和具身智能开发者提供一个开放创新的技术基座,加速高泛用性运动控制器、多模态模型结合以及具身载体的未来形态推演等前沿研究开发工作的验证落地。

身小体壮的黑色“好大儿”
Fourier N1采用紧凑型硬件架构设计,身高1.3米,体重38公斤,全身拥有23个自由度。整机结构由铝合金与工程塑料复合构成,在保证本体强度的同时保证关节灵活性。电池采用背部插拔式设计,单次连续运动续航可达2小时以上,满足高频测试与便捷部署需求。
动力系统搭载傅利叶自研的FSA 2.0一体化执行器,结合自研控制系统,在提升运动稳定性与抗冲击能力的同时,实现更高精度的位姿控制。实测最高稳定奔跑速度可达3.5米/秒,在保持输出上限的同时兼备优越的动态响应能力。
一看即会的开源物料
首批开源材料覆盖从硬件到基础控制系统的核心构建要素,帮助开发者在最短时间内完成N1的完整复刻:
硬件制造体系
基础操作软件代码(已开放 GitHub)
未来,傅利叶还将逐步开放针对该平台的推理代码与训练框架,为全球开发者提供更加完善的验证与开发环境。
性能新标杆:高动态性能×超长耐久验证
研发阶段,Fourier N1历经长周期、高强度的运动算法验证,核心控制系统在响应速度、精度控制及抗干扰能力等关键性能上,均达到了预期技术标准。
在工程验证环节,N1已累计完成超过1000小时的户外复杂地形测试,单次连续运行时间超过72小时,全面验证了其结构设计的稳定性、耐久性与环境适应性。同时,N1可稳定实现 15°~20° 坡度斜坡通行、20厘米楼梯攀爬、单足站立及撑地爬起等高难度动作,展现出卓越的本体可靠性与在非结构化场景下的运动鲁棒性。
Fourier Nexus:迈向机器人生态共建
Fourier Nexus通用机器人生态网络是傅利叶构建的以机器人本体技术为基础,贯通算法开发、硬件制造与商业化应用全链条的技术共享平台。通过"硬件开发+算法开源+数据共享"的三维架构,该技术共享平台可系统性地降低研发门槛、加速技术迭代效率、促进跨领域协同创新,体现了傅利叶推动人形机器人共建生态的长期决心。
今年3月,傅利叶已正式发布全尺寸人形机器人数据集Fourier ActionNet,并推出全球首个覆盖采集、标注、训练、评估的全流程工具链。此次N1开源是傅利叶打造 “硬件 + 算法 + 数据” 三位一体开放体系的又一核心举措,标志着公司在人形机器人领域从单点技术突破向系统生态建设的关键一步。
未来,傅利叶还将持续开放更多覆盖全身控制、多任务协同的关键模块,与全球开发者共同探索人形机器人技术的未来边界。傅利叶始终致力于推动机器人技术的共享与创新,诚邀全球开发者、科研机构与产业伙伴加入这场开源变革,共创机器人赋能未来的无限可能。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。