超越π0，中国团队用1B参数模型登顶具身智能榜单

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 超越π0，中国团队用1B参数模型登顶具身智能榜单 田, 晏林 2026-07-23 14:36:08 来源： 量子位 具身智能正在从「参数竞赛」进入「架构竞赛」。 田晏林 发自 凹非寺 量子位 | 公众号 QbitAI 谁能想到，在全球具身智能操作能力的顶级榜单上，打败海外标杆模型π0的，居然是一个 只有1B级参数 的轻量级模型。 近日，全球具身智能领域关注度最高的公开榜单之一Evo-SOTA更新排名。 优艾智合 研发的 FabriVLA ，在 多任务操作核心基准 Meta-World MT50中，以 90.0% 的tier-average成功率 登顶第一 ，超过包括π0在内的一众国际知名模型。 在没有堆叠数百亿参数的情况下，这个小身板模型在全难度梯度测试中拿到SOTA， 其轻量化设计也为部署到机器人边缘端提供了基础。 Meta-World MT50的抓取、放置、开门、插拔等操作，与工业场景的基本工序高度重合，考验的正是在不同任务下的多任务能力和操作稳定性。 而这，恰恰是工业场景最看重的能力。 榜单成绩证明的是算法性能，但工业真正需要的是落地真实环境。 过去9年，优艾智合在半导体、能源化工、锂电等行业完成 800+真实场景交付 。 近期，该公司又趁热打铁推出了 工业具身智能大模型「智合」FabriX 与 工业原生人形机器人「隙锋」 ，并喊出了一个极其激进的口号： 3年内，赋能10000个工业现场。 原本外界还觉得这步子迈得太大，但「隙锋」 首发当日获得4000台意向订单。 而今，FabriVLA拿下全球SOTA，也让这4000台订单背后的逻辑越发清晰： 工业客户看重的，从来不是参数有多大，而是谁更好用。 1B级模型如何登顶具身智能Benchmark？ FabriVLA登顶绝非一次偶发的运气暴击。 Evo-SOTA作为全球具身智能领域重要公开评测榜单 之一，汇聚了全球高校与科技公司的主流模型。 所有结果均基于公开发表论文， 具备极高的行业参考价值。 而在它选用的Meta-World MT50基准中，包含了整整 50个不同任务 ，覆盖抓取、放置、推动、开门、插拔等多类复杂操作。 它考验的不是机器人死记硬背某一个特定动作的上限，而是同时掌握50项不同任务的多任务操作能力。 这与工业一线的诉求不谋而合。 产线上的组件千变万化，机械臂如果换个工件就罢工，对工厂来说就是灾难。 FabriVLA能拿下第一，意味着 轻量化VLA模型 同样可以具备顶级具身智能操作能力，为工业具身智能落地提供了模型基础。 但这引起不少人的好奇：为什么一个1B参数模型，可以击败更大的模型？ FabriVLA选择围绕机器人操作任务重新设计神经网络架构。 传统VLA模型往往陷入盲目扩增参数的困局，靠硬背关节角度来应对复杂场景。 FabriVLA却提出 两个关键创新 ： 门控自注意力机制： 让模型预测出的一连串动作前后互相「看见」、彼此配合，并通过一个从零渐进打开的门控逐步学会动作间的时序衔接，执行复杂装配这类长序列动作时更连贯、更稳定。 深浅层视觉特征融合： 同时看懂零件整体结构和细微的位置、边界与姿态，处理插拔、组装、精准摆放这类精细工序时，一次到位的成功率大幅提升。 对于机器人来说，看见一个物体只是第一步。 它不仅需要知道「这是什么」，还需要知道「应该怎么操作」。 比如拿起一个零件。 高层视觉信息帮助机器人理解目标是什么。 低层视觉细节帮助机器人判断具体位置、形状和姿态。 如果只有语义理解，机器人可能知道这是一个零件，却不知道手应该伸到哪里。 如果只有视觉细节，又无法理解任务目标。 FabriVLA通过「深浅层视觉特征融合」，让机器人同时拥有理解能力和精细操作能力。 而「门控自注意力机制」，则让动作序列中的每一步都能参考前后步骤，学会动作之间的衔接与配合。 简单来说，就像熟练工人的手，每一个动作都为下一个动作做好准备。 这两项设计均经过了严苛的消融实验。 消融实验显示： 去掉深浅层特征融合，tier-average成功率从90.0%降至82.9%；门控自注意力则是动作头中贡献最大的组件。 这说明FabriVLA的提升，来自于架构对真实任务的深度优化，而非单纯靠参数堆叠。 背后其实也反映了一个趋势： 具身智能正在从「参数竞赛」进入「架构竞赛」。 而1B级参数登顶，更重要的意义在于，它让机器人模型第一次距离真实部署更近了一步。 大模型解决的是机器人的「聪明」。 小模型看的是机器人「能不能天天工作」。 更小的模型意味着 更低推理成本、更低部署门槛，机器人也不必完全依赖云端算力。 据了解， FabriVLA 未依赖大规模机器人数据预训练， 仅通过单阶段联合训练实现SOTA表现。 对于工业现场而言，这一点尤其重要。 工厂需要的是稳定、实时、可靠。 而不是每一次动作，都等待远端服务器给出答案。 在Benchmark里跑出第一名，并不等于能在一线产线里直接上岗。 从学术SOTA走向工业现场，还需要一个能现场解决问题的「工业大脑」。 从FabriVLA到FabriX 真实工业环境里，机器人需要面对的是不断变化的设备、复杂的工艺流程，以及7×24小时不能停机的生产要求。 工业具身智能真正的挑战，不是让机器人完成一次任务，而是让它像熟练工一样，长期稳定地工作。 这也是FabriVLA之后，优艾智合推出 智合FabriX模型 的原因。 如果说FabriVLA解决的是「机器人能不能理解并完成任务」，那么FabriX解决的是「机器人能否进入工业现场持续工作」。 两者并不是简单的模型升级关系。 FabriVLA证明了轻量化VLA模型具备复杂操作泛化能力。 FabriX 则进一步将这种能力放入工业系统中，它 不是简单的工业版VLA ，而是围绕真实生产环境 重新设计了一套工业具身智能技术基座 。 因为工业世界有自己的规则。 一个通用大模型可以允许偶尔生成错误答案。 但工业领域的机器人不行。 生产线上，一次错误动作可能导致设备损坏，一次错误调度可能影响整条产线效率。 因此，工业大模型必须向上兼容存量工业软件、向下兼容工业硬件协议，不能推倒现有产线重建，只能无缝升级改造。 而且，工业现场始终盘旋着一个「不可能三角」： 追求极高泛化性，往往会牺牲动作稳定性； 追求绝对可靠性，又容易沦为僵化的固定脚本； 而追求生产节拍的效率，则会让大模型的慢推理不堪重负。 最关键的是，单机机器人升级到数十上百台集群协同后，每新增一台机器人，整体状态空间爆炸，耦合复杂度大幅提升。 为了搬走工业具身智能的「三座大山」，FabriX 没有盲目套用纯端到端的VLA路线， 而是采用了Edge+Local（边端侧）双重架构。 FabriX-Edge端（边缘服务），类似工厂里的「资深工程师」。 它基于工业真机数据训练的多模态MoE基座模型，负责理解订单需求、工艺流程以及现场全局状态。 面对复杂任务，它负责拆解问题、规划路径和协调资源。 而FabriX-Local（本地