据IPO早知道消息，星尘智能于11月13日发布CoMind - Be My Eye 框架（简称CoMind）。这是业界首个主动共享、精选任务上下文的多机协同模型框架，开启全新协作范式：协作不是共享一切，而是主动传递影响决策的关键信息。
事实上，早在今年7月，星尘智能发布第二代基座模型 Lumo-2 时，让多机器人、人与机器人之间协作完成复杂操作，正是模型能力之一。
CoMind具备两大核心特点：一是「去中心化」的主动共享，让队员间实时互通任务上下文，告别「等领导派活」的被动、中心化调度；二是精选信息，将队员所需、影响决策的信息，筛选和压缩后再共享，拒绝「一键转发」的噪声。
「主动说重点」的高效交流，让机器人在组装纸箱和哑铃片、叠被收纳、冰箱补货等复杂家务中，有了更快、更好、更准的协作默契。
在视野完全遮挡的极限测试中，CoMind 让机器人拥有了科幻小说中「共享视野」的超能力。隔墙相互跟随拿笔时，成功率从 0%飙升到100%。遮眼后找到指定盒子放物，准确率从 盲猜38.9%到88.9%，同时信息传输量减少 80%。
将智能从单机延伸到多机协作，CoMind 未来还计划从「共享信息」延伸至「共享意图」，让机器人间不再反应式配合，而是预判彼此未来意图、主动补位，走向极致默契和效率。
六项真机测试：
不同协作难题，一套框架破解
两台机器人一起干活，最难的地方在于，决定下一步动作的那条信息，往往只在队友手里。为了验证机器人跨越视野盲区能力，星尘智能在家庭与极限实验场景中，测试了CoMind如何提升机器人在复杂操作任务中的协同能力。
组装纸箱：动作耦合 视线全遮挡 组装仍不停
纸箱组装需高频物理接触（contact-rich）、较大箱体在翻转中会频繁遮挡视线、且动作高度耦合，需双方同步推挤撑开箱体，并实时判断彼此是否夹取、粘合等，是对机器人相当困难的连续精细操作。CoMind 让双方实时感知操作状态和任务进度，在视野完全遮挡的极限测试中「借眼」，让组装和搬运丝滑、连续进行，直至成功。
叠被收纳：柔性物体连续操作 步调一致
被子又大又软，提起、翻折和搬动时，形状与边缘持续变化，是对机器人感知与控制的双重挑战。CoMind 精选视觉上下文，让双方在高频接触与动态张力中实时对齐动作意图，自主生成并同步每一步动作，全程无需分步指令，即便在大幅度形变干扰下，也能在连续操作中无缝衔接、无停顿协作。
冰箱补货：视觉互补 全局共享 高效接力
当关键信息分散在不同视野时：左侧机器人看到冰箱里缺货，右侧看到岛台上有饮料。借助 CoMind，双方实时借「眼」补齐全局，开启无缝递、送接力，而不用重复来回移动，省时省力。
组装哑铃：补齐有限视角 动态中依然精准
组装哑铃时，穿片一方难以同时看清杆与孔的动态相对位置。CoMind 在毫秒级间补全队友视角的空间关系，让机器人实时调整姿态，在持续变动中锁定对准精度，完成严丝合缝的协同装配。
盲盒置物：极限遮挡 从盲猜到精准命中
装了蓝盘子的盒子位置随机变换，左侧机器人一目了然，右侧机器人完全被遮挡、一无所知。在零可见信息的情况下，CoMind 将左侧视野中的关键视觉特征实时共享给右侧，让原本只能靠盲猜完成的任务，精准命中，准确率大幅提升（38.9%→ 88.9%）。
隔墙相「望」 却 100% 跟得准
即使互不可见，也能通过 CoMind 实时共享目标颜色与动作时机，两台机器人交替担任主动与跟随拿笔，任务成功率从 0% 跃升至 100%。
机器人协作要会「说重点」：
CoMind 如何工作
传统的多机协同方案，要么「调度慢」，要么「沟通浅」。
中心化调度，像一位现场总指挥，宏观规划清晰，却在双人抬桌、叠被等毫秒配合中，因层层指令传递变成「等待模式」。
去中心化看似灵活，实则信息稀薄：目视队友，若遮挡和背对时，协作即刻
中断；即便通信，也多是「我在动」这类与任务脱节的文本，缺乏支撑关键动作的深层信息。而机器人每秒产生的海量视野画面，若「一键转发」，不仅带宽拥堵，更会让队友淹没在无用数据中。
CoMind 不设总指挥，每台机器人都能主动把关键信息发给队友，也能接收队友传来的信息。接收方把这些信息与自己看到的画面、任务指令和身体状态一起输入视觉—语言—动作（VLA）模型，直接生成连续动作。
CoMind 第一阶段精选任务关键信息，第二阶段双向主动共享，引导各自 VLA 模型输出连贯动作。
相比业内其他探索，CoMind 的突破体现在三点：
省时省力：不传原始画面，也不传与任务无关的通用特征。发送方结合自己的任务指令，从多路相机画面中优先挑出与当前操作直接相关的内容，比如盲盒竞猜中物品的颜色，压缩成一小组表征传给队友。
默契同步：共享的不只是眼下的视觉重点。训练时，模型还要学习预测稍后的画面变化，并保留任务进展的线索，分清是「刚刚开始」还是「即将完成」，帮助队友判断下一步怎么配合。
双向反哺：训练时，接收方的动作结果会反向调整发送方的编码器，这就是「动作级反向传播」。比如在盲盒竞猜中，看不见目标的 A 伸错了位置，这个偏差会反过来提醒负责传信息的 B：目标特征不够突出。经过一轮轮训练，B 学会了优先传递最能帮 A 做对动作的信息。
星尘 AI 模型 ：
让机器人在真实世界正确行动
CoMind 背后，从基座模型 Lumo-1 的显式推理、到 Lumo-2 预测世界因动作带来的变化而更好行动，星尘智能始终关注：机器人最终不只是为了看懂世界，更要在真实世界正确行动。而「AI 模型 - 具身OS - 绳驱本体」的全栈系统不断迭代，持续推动 Physical AI 的应用与规模化部署。
星尘智能希望，未来在商业、工业到家庭场景出现的，不只是一个能干的机器人，也可以是懂得预判彼此意图、主动补位的一个机器人天团。
