Simate（Silicon Mate）发布首款通用物理快系统 Simate-beta，并披露该模型已在 RoboDojo 榜单中排名第一。按公司提供、更新于 2026 年 9 月 23 日的榜单数据，simate-beta 以平均 Score 33.95 位列第一，对应 SR 为 27.96%。公司同时表示，此次参评的基础模型没有针对该榜单做专门优化。
这家公司成立仅三个月。除模型本身外，Simate 还同步推进研究平台、外部试用和融资。公司称，来自 MIT、加州理工、清华、北大等高校的研究者已经参与 AutoResearch 平台内测；配套的 Sinfra 基础设施覆盖训练、仿真与推理，可用资源按申请确认。同期，Simate 已连续完成多轮数亿元人民币级别融资。
据团队介绍，核心成员曾将一段式端到端智能驾驶模型推进至对标 Tesla FSD 的水平，并完成量产落地。公司还预告，团队已经形成面向复杂任务零样本泛化的技术思路，计划在今年年底推出阶段性成果。模型与自动化研究等三项研究工作，也将通过论文和技术报告陆续公布，相关成果计划分阶段开源。
Simate-beta瞄准零样本与少样本物理AI操作
Simate 最终想逼近的是零样本（Zero-Shot）与少样本（Few-Shot）的通用物理 AI 操作。按照团队的设想，在一个全新的陌生环境中，系统不应每增加一项新任务，就重新采集一批数据、重新训练一次模型，再重新调一遍工程。
Simate 给出的现阶段方案被称为「通用物理快系统」。团队将其对应为「系统一」：高层规划与复杂推理由一个通用的「慢系统」负责，而实时感知不断变化的物理世界、快速输出动作，则交给一个足够强的「快系统」。Simate 当前选择重点推进的正是后者，即通过扩大快系统参数量，探索零样本泛化能力的涌现，并挑战端侧可部署模型的规模与能力上限。
团队把这一路线拆成两个关键部分。
- 4D 物理感知：同时捕捉空间结构与时间维度中的动态变化，让物理表征真正服务于行动。
- 分层时序记忆：在长程任务中保留此前发生过的关键信息，在连续操作中追踪状态，同时不让即时反应被庞大的历史信息拖慢。
在团队看来，这两部分共同指向与人类快系统处理连续世界方式的对齐。Simate 表示，这条技术路线也延续了团队在大规模视觉模型、时序建模、实时推理和量产部署方面的积累，具体架构与模型规模将在后续技术报告中披露。
公司给出的目标状态是：模型既能理解眼前正在发生什么，也能记住刚刚发生过什么，并及时决定下一步动作；再与 GPT-6 等前沿模型所代表的通用推理能力协同，推进复杂任务的零样本执行。
从 Simate 目前展示的真机演示看，Simate-beta 的测试主要围绕演示驱动的任务适应、记忆、复杂长程执行和精细操作展开。公司同时强调，RoboDojo 的成绩属于榜单评测，真机表现则通过单独展示呈现。
AI for Physical AI：让AI参与物理智能研究与迭代
比榜单成绩更受关注的，是 Simate 从创立第一天就确定的研发方法：AI for Physical AI，也就是让 AI 参与物理智能本身的研究与迭代。公司围绕这一方向组织模型、数据、算力和实验流程，Simate-beta 被视为这套 AI-native 研发体系的首个实践产物。
团队给出的判断是，在 AI 研究中，真正拉开差距的往往不是写代码本身，而是迭代效率。谁能在单位时间内验证更多研究假设，谁就更可能先跑出来。以机器人长程任务为例，一个环节卡住，背后可能涉及数据分布失真、模型结构瓶颈、轨迹比例失衡，或者训练策略失效；每一条怀疑路径后面，都可能对应十几组甚至几十组实验。
如果这些流程都依赖研究员手动改配置、开任务、盯训练、跑评测，再回收整理结果，整体推进速度会明显受限。Simate 因此搭建了 AutoResearch，用于加快这一流程。按照公司的描述，在这套体系里，人类研究员负责提出假设、设定目标和划定约束，AutoResearch 引擎则接手实验拆解、执行与反馈，将后续流程自动化。团队认为，依靠这套方法，公司在三个月内完成了从成立到登顶 RoboDojo 的推进。
三层架构：SiPAI、AutoResearch 与 AI-native Infra
Simate 将这套自动化研究体系概括为三层架构：SiPAI + AutoResearch + AI-native Infra。团队的出发点是，机器人研发涉及模型代码、数据管线、训练集群、评测环境、真机反馈，以及过往数月甚至数年的实验记录，单一 Agent 并不足以直接处理全部研究流程，关键在于让 Agent 拿到可调度全链路的「上下文」。
SiPAI：让模型架构变成「AI可研究」
SiPAI 被描述为一套面向自动化研究的可插拔模型框架。团队希望把机器人模型搭建成 AI 更容易理解的结构，让模块边界、系统接口、配置项与验证流程都被清晰定义。这样一来，Agent 在拿到研究课题后，可以知道该改哪个模块、改动会影响哪些部分，以及应该如何验证结果。
根据公司介绍，目前 Simate 已完成这套基础设施搭建，并接入世界模型、世界动作模型、VLA、VLM 等多种主流架构。无论是人类研究员还是 Agent，都可以在统一训练和评测流水线下，自由组合组件并调整局部实现。
AutoResearch：把研究上下文实时刷新
如果说 SiPAI 提供的是相对静态的结构说明，AutoResearch 解决的则是动态信息同步问题。它把外部前沿论文、团队内部研讨材料、模型代码、数据配比、历史实验日志和最新评测反馈打通，汇入同一份动态研究 Context。
团队称，只要有新论文发布、内部代码出现新版本，或者新实验数据推翻旧假设，这份 Context 就会实时刷新。这样，Agent 给出的每一项研究建议，都可以精确对应到具体代码分支和实验版本。
团队还强调了人类经验与 Agent 实验之间的耦合方式：研究员可以随时注入约束和调优方向；一旦某次实验验证出有效组件，它会立刻沉淀为下一轮实验的新起点；某个分支总结出的研究方法，也能被后续 Agent 继续复用。按照这一设计，研究成果本身会变成下一轮研究的生产资料。
AI-native Infra：支持7×24小时并行研发
在底层基础设施上，Simate 将训练、推理与评测全流程接入自研 Infra，通过任务编排和资源调度，并行推进数十条相互独立的研究路线。为减少算力浪费，团队采用高频筛选机制：先用「世界模型 + 仿真环境」完成第一轮快速过滤，淘汰多数无效方向，只有具备潜力的方案才进入真机实测。
真机暴露出的新问题，再回流到研究 Context 中，形成闭环。团队对这套机制的描述是：研究员只需抛出一个探索方向，底层系统就能自动并发驱动数十轮实验推进。这也是公司认为自己能在三个月内登顶 RoboDojo 的关键原因。
Simate 还表示，这套内部生产力工具将直接开源开放。目前，来自清华、MIT、港科大等高校的研究者已进入内测。
团队背景与融资进展
Simate 创始人张颖被介绍为前某一线智驾公司核心技术负责人，参与过有图、无图、端到端三代智驾方案攻坚，也有多年量产经验。按公司说法，其推动打造的智驾系统是国内最接近 Tesla FSD 的智驾系统。
团队中的另外两位成员也被单独点名。
- 占方能：香港科技大学助理教授、World Mind Lab 负责人，长期研究世界模型和物理 AI。
- 季马泽宇：00 后青年科学家，研究方向覆盖 3D 感知、灵巧操作和人形机器人全身控制。加入 Simate 前，他是硅谷 Assured Robot Intelligence 的创始成员。ARI 后来被 Meta 收购。
资本端方面，公司称成立三个月内已连续完成多轮每轮数亿元人民币融资。
Simate对Physical RSI的划分
Simate 将其押注方向概括为 Physical RSI，并从创立之初就围绕这一方向展开研发。团队把 RSI 分为三类。
弱 SI：边界明确，快速闭环
在这一模式中，研究员设定目标和约束，正常执行过程中不再需要研究员逐步参与，异常情况再升级处理。团队认为，这次登顶 RoboDojo 就是第一阶段的工程验证。
中 SI：方向明确，但答案未知
这类问题包括如何改善模型记忆、某类任务的数据比例应如何配置等。方向已经明确，但有效方案仍需通过多轮实验筛选。按照 Simate 的划分，Agent 在这一层负责整理上下文、实现方案、执行实验和比较结果，研究员则负责筛选假设、解释冲突证据并做关键取舍。团队认为，这也是现阶段最具现实价值的一类。
强 SI：连研究问题本身都需要被发现
这是团队口中最难的一类，例如如何提升模型在全新任务中的泛化能力。按其描述，这类问题没有清晰路径，系统需要自己理解目标、发现值得研究的问题，并在较长时间内保持方向感和持续修正路线，已经触及所谓的「研究品味」。现阶段，这类工作仍需要资深研究者主导，Agent 更多承担文献、证据、实验和路线探索支持。
Simate 同时强调，弱、中、强 SI 并非等级关系，三者可以同时存在于同一套研发系统中。
研究计划与开放信息
团队判断，GPT-6 开始参与物理世界操作，是预料之中的进展，Physical AI 的突破可能比外界想象来得更快。Simate 希望减少对逐任务适配和后训练的依赖，推动物理 AI 迎来自己的「GPT-3 时刻」。
公司表示，自动化研究未必需要等到完全无人类参与时才体现价值。在更强的自主研究能力出现之前，先把实验设计、训练、评测、反馈等高成本、可流程化环节逐步交给 Agent，本身就能提升研究吞吐。RoboDojo 的成绩，也被团队视为「人机共驾」路径在物理 AI 领域可行的一次验证。
目前，AutoResearch 科研平台已经启动内测，官网为 https://mate-robot.cn/ ，平台页面为 https://mate-robot.cn/research/sinfra/ 。
本文来自微信公众号「量子位」（ID：QbitAI），作者：Jay。