智能AI
morning
真勇啊!00后团队参加具身挑战赛,仅48小时竟敢从零手搓数据,还夺冠了!
2026-11-18
1 阅读
约9分钟阅读
十三
字号:
< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 真勇啊!00后团队参加具身挑战赛,仅48小时竟敢从零手搓数据,还夺冠了! 十三 2026-11-17 12:35:03 来源: 量子位 金磊 发自 上海 量子位 | 公众号 QbitAI 真的就是, 自信放光芒 。 这一幕,便发生在一场 具身大模型 挑战赛决赛现场—— 有个参赛团队在主办方已经提供高质量数据集的情况下,因为够自信,队长竟选择 从零手搓新数据 …… 然后,最终得分82分,一举斩获比赛 第一 ,拿下 8万元 大奖! 事情是这样的。 这场决赛共计 48个小时 ,15支入围的队伍需要在如此短的时间里完成数据采集、模型调优和真机部署,并用同一套模型应对三项任务: 按指令摆放水果; 将化妆品放入透明收纳架的指定层; 双臂配合清扫垃圾。 然后这个冠军团队认为,前两项都是抓取、放置问题,于是用千问识别干扰物,再在图像中按背景颜色将其抹除,让VLA更容易看清目标和目的地,前两项基本沿用官方数据。 不过到了第三个任务,他们发现官方给的210条数据,都采用的是抓簸箕 把手 的方式,这样不仅抓接触面小,而且稍有偏转就容易打滑、翻转。 于是,他们果断决定自己重新采集,改成抓簸箕 后沿 ,目的就是让工具先稳下来,再完成后续动作。 但如此一来,就当于把团队大部分的精力都 梭哈 在了仅这个一个任务的一环里…… 而正是这样的胆魄和孤注一掷,让这个团队在临近比赛前的几分钟,成绩直接反超第二名,一举夺冠! 刺激,着实是刺激。 那这到底是什么比赛? 不卖关子,正是 蚂蚁灵波 举办的 首届具身大模型挑战赛 (暨首届开发者大会)的决赛;而早在初赛阶段,便吸引力全球1855支队伍、3252名选手,最终15支队伍进入48小时真机决赛。 此次夺得冠军的队伍,则是 TARS (名字取自《星际穿越》中的机器人),平均年龄只有 25岁 。 队长 吴昊楠 是即将从天津大学硕士毕业的00后,五名队员来自福田实验室、西北工业大学、普渡机器人和天津大学。 更有意思的是,在量子位与蚂蚁灵波团队交流过程中得知,他们对于TARS团队这波操作也是实属意外。 敢在决赛最后一环、把全部筹码押在自采数据上的人,这份胆量,我们愿称吴昊楠一声 “自信哥” 。 但若是纵观整场比赛,“自信哥”的操作还只是所有精彩中的一隅;决赛中的每个团队几乎都展示出了各自的技巧,值得具身圈的小伙伴们围观一波。 48小时的尖峰时刻(Rush Hour) 刚才我们提到被TARS临门一脚反超的团队,便是来自华中科技大学、清华大学深圳研究院及湖北 元一智能 的 EVA团队 。 他们做路演PPT时,还稳居排行榜第一的位置,可等比赛结束,名次变了,PPT里的战绩也成了这场追逐战的一个注脚。 不过,要说逆袭,EVA自己也经历了一轮。 据队长 武显瑾 介绍,第一天用官方公开数据训练后,他们的真机成功率大约只有10%。至于机器人为什么没做好,是很难一眼看出来的。 可能是示范数据不够干净,可能是训练方式不合适,也可能只是采集时和执行时的物体摆放对不上;要在48小时里,逐个排查再重训,时间显然是不够。 于是,EVA决定从机器人失败的地方入手。 他们让模型先执行,检查轨迹;碰到没见过的情况,或者动作已经走偏,就由人补充示范、接管纠错。而后再借助大模型评判和标注,把整理后的数据加回训练。 如此一来,机器人刚犯过的错,就有机会出现在下一轮的“复习题”里。 沿着这个思路,EVA在比赛期间完成了约7轮数据回流迭代,额外采集700多条示范与接管数据。为了让这些新数据尽快用起来,他们还对训练流程进行了优化,将训练速度提升了2.7倍,最终拿到73.83分。 EVA的这套方案正是 RSI ,即递归自我改进。不过,武显瑾也提到,目前的数据采集、人工接管和最终成功判定,仍然需要人参与。团队希望进一步实现的,是让机器人自己练习,再由大模型判断成败,利用这些执行记录继续训练。 换句话说,这次比赛让他们跑通了其中的一部分,也让他们看清了接下来还要补哪些环节。 而就在EVA通过持续补采数据提升成绩时,排名第三的 SST团队 则选择了另一条路——他们额外采集的数据, 只有3条。 这个数字乍看有点夸张,但要说明的是,SST同样使用了官方数据。他们的主要精力,花在了如何处理这些已有示范上。 说到这支团队,他们还有个让人忍俊不禁的中文名,叫 “老年上海观光团” 。 队长是天津大学的大四学生 杨泽鸣 ,另外三名成员都是研究生。“老年”二字,便来自他们对三位学长的调侃。 虽然名字起得比较随意,但他们的解题思路却是清晰——既然桌面上的杂物会干扰机器人判断,那能不能在机器人动手之前,先帮它把目标标出来? 为此,SST让DeepSeek解析任务指令,再把目标物体的文字提示交给SAM 3进行分割。他们保留目标区域的原始画面,将其他区域压暗,再把处理后的图像送给VLA。 这样一来,模型仍然能看到桌面环境,但这次应该操作哪个物体,就清楚多了。 可团队很快发现,这个方案还有一道坎。原始SAM 3在现场,并不能稳定地根据文字提示分割出他们需要的物体。如果目标一开始就找错,后面的动作自然也无从谈起。 SST于是想到了 倒放视频 ,因为一段示范结束时,哪个物体被抓起、被放到了哪里,通常更容易判断。 他们先借助Agent从任务结束的画面中找到目标,再把目标的像素位置交给SAM 3,让它沿着倒放的视频持续追踪,补齐整段示范的分割标注。 有了这批数据,团队便能同时训练VLA、微调SAM 3。据杨泽鸣介绍,SAM 3的微调约需一个小时,之后就能接上前面的指令解析流程。 除此之外,他们还调整了机器人的动作执行方式。模型每次生成50步动作,他们只执行前16步,随后重新推理,并配合动作平滑处理,让操作更加精细。 靠着这些调整,SST拿到了65.87分。他们与EVA均获得二等奖,冠军TARS获得一等奖,Vida、FDU_SONIC、ai-robot则获得三等奖。 所有团队的成绩如下: 看到这里,或许会觉得,比赛的关键就是谁更会处理数据。 确实,各队都在这件事上下了功夫,但大家对“该补什么、怎么补”的判断,又很不一样。 比如, Vida团队 发现公共数据中跨过桌面中线抓取的示范偏少,就补采这些困难布局;杨桃没有出现在公共数据里,他们也专门采集。 FDU_SONIC团队 则一边训练、一边检查真机表现,再根据机器人失败的位置,倒推需要补充什么数据,最终取得第五名。 这些方案要在48小时内见效,训练速度也得跟上。AI基础设施出身的驰序知行将训练加速约3.7倍,在比赛期间迭代了30多个模型检查点;TARS则把单步训练耗时从约15.6秒压到3.4秒,为不断加入新数据争取了时间。 但数据采得更多,成绩也未必就会涨。 Motion团队 补充任务二、任务三的数据继续训练后,发现任务一的表现反而变差了。 “师兄会帮我调真机的对不队” 团队则在复盘时提到,五名成员轮流采集,每个人的操作习惯都不同,有人先抬手,有人先向前,导致模型在有限时间内没能学稳。 这些经历与前三
这篇文章对您有帮助吗?
订阅66必读
每日精选科技资讯,直达你的邮箱