踢开具身扩大规模的另一扇门：华为诺亚团队登顶2026行为挑战赛

机器之心发布 华为诺亚具身智能团队 The N or th Star 凭借 HiPhys-RSI 方案，在 BEHAVIOR-1K Challenge 2026 国际具身智能挑战赛 中从全球 57 支参赛团队中脱颖而出， 以绝对优势夺得冠军， 在覆盖 100 项家庭任务的隐藏测试中取得约 0.683 的 Q-score 和 48.2% 的完整任务成功率 。 本届赛事为第二届挑战赛，依托斯坦福大学李飞飞团队开发的 BEHAVIOR-1K 基准平台，与机器人领域顶级会议 CoRL 2026（11 月 9 日至 12 日）联动开展，围绕整理、清洁等真实家庭需求，综合评测机器人的高层推理、跨房间导航与双臂精细操作能力。 李飞飞本人也在社交媒体发帖称，机器人学习正在取得令人瞩目的进展，并邀请更多研究者关注 CoRL 2026 的 BEHAVIOR Challenge。 与去年相比，2026 年挑战赛在多个维度实现显著跃升： 基准规模扩大 2 倍（任务从 50 项增至 100 项、场景从 3 个增至 7 个），参与度提升 3 倍（参赛者从 96 人增至 265 人、参赛提交从 18 份增至 57 份）。 同时，最佳完整任务成功率从 12% 提升至 48%，达到上一届的 4 倍。 作为检验具身智能系统综合能力的高门槛 “试金石”，BEHAVIOR-1K 聚焦长时序任务，与侧重场景泛化的 Robodojo 并列 T0 级具身智能榜单。相较于短时抓取和单一技能评测，该挑战要求机器人依靠机载视觉、深度及本体感知信息，在数分钟级长时序任务中连续完成多物体交互、状态变化处理与多技能协同，对任务规划、感知与动作协同及执行稳定性提出严苛要求。 12 个任务成功 rollout。 要应对这类长时序、多技能协同的复杂挑战，当前业界仍主要沿用 AI 领域最熟悉的 Scaling 路径，即更大的模型、更多的数据、更高的计算投入。 AI 发展中还有另一条能力增长路径：积累知识、规则和操作流程，让系统掌握可推理、组合和执行的方法。早期符号 AI 长期探索这一路径，机器人领域也积累了丰富的感知、规划与控制工具。 当大模型已经能够编写程序、使用工具，并根据执行结果修改方案，这两条路径之间，是否出现了新的连接？ 团队在冠军方案技术报告《Scaling by Structure: What Forms Can Scaling Take in Embodied AI?》中，提出了一个更广义的 Scaling 问题：具身智能能否通过构建和改进结构化、可执行的知识与技能，持续扩展能力？ 这项工作将可执行程序及其背后的工具、约束和经验，作为能力积累的载体。编程智能体构建、检验和改进这些结构，机器人通过它们完成任务，产生的轨迹又支持视觉 — 语言 — 动作模型（VLA）训练。 让 “系统掌握了多少可执行技能”，也成为具身智能能力增长的一个维度。 经典机器人方法， 如何走向可扩展的知识体系？ 机器人领域已经拥有大量有效方法。几何推理处理空间关系和碰撞，SLAM 支持定位与建图，任务与运动规划连接逻辑决策和动作可行性，反馈控制不断纠正执行误差。 这些方法各有适用条件。用于不同任务和环境时，需要组织信息流、连接模块接口、设计操作顺序，并根据物体几何和场景约束调整策略。场景变化后，原有流程可能需要新的抓取方式、动作顺序或恢复机制。 这也构成了结构化机器人系统扩展能力时的关键瓶颈：随着任务增加，构建和维护解决方案所需的人工投入也在增长。 编程智能体提供了自动化承担其中一部分工作的可能。它可以读取执行日志、分析视频、定位失败、修改工具与程序，再运行验证。有效的改进被保留下来，成为后续任务可以调用和调整的知识。 由此，泛化也多了一层含义：系统可以利用已有工具和经验，为新任务构建、适配解决方案。 这种能力的扩展潜力，既取决于覆盖的任务数量，也取决于每增加一项任务所需的工程与交互成本。报告通过实验考察了这两方面。 HiPhys-RSI：把交互经验变成可执行结构 团队提出 Hierarchical Physical Recursive Self-Improvemen (HiPhys-RSI) ，即分层物理递归自我改进框架。它以参数冻结的编程智能体及视觉语言模型（VLM）为基础，在训练实例中构建并改进自主执行的机器人流水线。 图 1｜HiPhys-RSI 总体框架。智能体通过任务体验、程序构建、执行分析和迭代改进积累可执行知识；推理时根据任务条件选择已有流水线或 VLA 策略。（报告图 1） 首先，智能体阅读任务说明与参考示范，并通过工具调用获得交互经验：哪些操作有效，步骤之间有哪些依赖，什么样的观测能够说明任务取得进展。 随后，这些经验被组织成程序。感知输出如何用于规划、控制器何时执行、失败后如何处理，都通过明确的信息流和条件逻辑连接起来。构建完成的流水线可以根据自身的检查和分支逻辑自主执行。 执行结果再进入下一轮分析。日志说明程序调用了什么，视频揭示物理世界实际发生了什么：轨迹执行完毕，物体是否真的移动到位？抓取指令返回成功，物体是否仍然留在桌面？智能体结合这些证据，定位需要修改的模块和策略。 改进既可以发生在高层的工具选择、步骤编排和恢复逻辑，也可以深入到底层工具实现。构建阶段还可以引入人工纠正，为复杂问题提供指导。经过验证的程序与经验被保留，并能够作为后续任务的可复用组件。 同一案例的真实迭代记录，包含失败现象、修改内容和再次执行结果；注明人工参与环节。 在这一过程中，编程智能体和 VLM 的参数保持冻结，改进存储在可执行程序和结构化知识中。最终系统通过能力卡记录各流水线和 VLA 的适用条件、历史表现及已知困难，在推理时选择合适的执行组件。 从工具，到流程，再到可以复用和组合的流程，结构化知识得以逐层积累。 100 项家庭任务，比较两种能力增长方式 团队在 BEHAVIOR-1K 的复杂家庭仿真环境中研究这条路径。评测覆盖 100 项任务、八类能力，涉及移动取物、摆放与分类、精细操作、工具使用、倾倒、设备操作以及物体加工。 这些任务需要持续协调感知、决策和动作。找到目标后能否接近，抓稳物体后能否搬运，完成一步后能否继续下一步，都会影响最终结果。 团队以 2025 年 BEHAVIOR Challenge 冠军方案为基础，适配并比较三组 VLA 设置：在全部 100 项任务的示范数据上联合训练一个 epoch（Meta-1-Epoch）；从该检查点出发进行逐任务后训练（Per-Task Post-Training）；以及在相同的全任务示范数据上联合训练两个 epoch（Meta-2-Epochs）。一个 epoch 指完整遍历一轮训练数据。 逐任务后训练将基准示范与程序生成的轨迹混合，为每项任务训练独立策略，并引入深度、相对机器人位置的几何信息等三维输入。因此，其效果同时涉及任务适配、数据补充与表征变化。三组 VLA 既作为单独执行任务的对照，也作为最终系统推理时可选择的策略。 图 2｜三组 VLA 与 HiPhys-RSI 的 100 项任务表现对比。每根径向柱代表一项任务得分；A–H 依次对应移动取物、一般摆放、匹配放置、精细操作、工具使用、倾倒、设备操