清华具身模型登顶全球第一！突围GPT-6、英伟达，不靠外挂和额外数据

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 清华具身模型登顶全球第一！突围GPT-6、英伟达，不靠外挂和额外数据 田, 晏林 2026-10-09 11:52:21 来源： 量子位 星动纪元选择将视频预测与动作学习分阶段训练，重点不是「视频、动作一锅炖」，而是把两者「解耦」，重新「排序」。 田晏林 发自 凹非寺 量子位 | 公众号 QbitAI 好家伙，世界动作模型（WAM）赛道，中国团队直接冲到了全球第一？！ 而且，GPT-6-Astra、Physical Intelligence的π0.5、英伟达GR00T-N1.7等一众全球头部具身模型，这次都被甩在了身后。 出手的是一家中国机器人公司—— 清华唯一持股的嫡系具身公司，星动纪元 。 近日，星动纪元 自研的世界动作模型VPP2 ，一举登顶 RoboDojo仿真榜单 。 综合平均成功率32.26%，综合平均得分39.26分，两个指标双双第一。 关键是，这场比赛还真不好打。 RoboDojo号称 具身智能界的「珠穆朗玛峰」 ，由香港大学MMLab牵头，全球近20所顶尖学术机构共同建设。 它专挑机器人不擅长的地方出题：换个环境，还会不会干活？东西摆歪了，还能不能抓准？任务做到一半，还记不记得前面发生了什么？ 总之，想靠刷熟练度蒙混过关，没那么容易。 结果呢？ 星动纪元VPP2不仅拿下综合第一，在 泛化能力、精细操作、记忆能力 三个维度上，也拔得头筹。 据说，这次VPP2 没有额外加数据 ，也 没用Agent RSI等增强手段 ， 仅靠「标准数据集」 ，就把一众高手给卷了下去。 这代表着VPP2模型本身足够强，性能提升来自预训练，基座足够泛化，因此不靠外挂增强策略，不靠扩充数据「刷分」。 不是，哥们儿，这么夯的模型到底是怎么练出来的啊？？？ 我们往技术路线里扒了扒，你别说，VPP2这次的突破，还真有点东西。 它瞄准了世界动作模型的一道老大难问题：预测错了，动作就跟着错。 VPP2给出的解法，是先把视频预测能力练到足够强，再让机器人在陌生环境里真正动起来。 从预测到行动，两种泛化能力一起提升。 从目前披露的多项测试结果来看，VPP2已经成为世界动作模型WAM赛道中，最有竞争力的选手之一。 世界动作模型WAM，卷出一个新冠军 具身智能行业有个挺尴尬的现象。 机器人Demo越做越炫，模型榜单分数也越来越高，但真要问一句，谁的机器人更聪明、更能干活？ 还真不好回答。 比如让机器人抓杯子。在训练时见过的桌面上，它可能百发百中。结果换个杯子、挪下位置，立刻开始怀疑人生。 更别提那些需要连续执行多个步骤的任务了。 这也是为什么，RoboDojo这套评测值得关注。 它的目标是为具身智能建立统一、可复现的评测标准，仿真测试 包含42项双臂操作任务 ，覆盖泛化、精准操作、长程任务、记忆、开放词汇指令理解五个维度。 说白了，就是把机器人拉出舒适区。 传统机器人模型在熟悉任务上可能接近满分，一旦环境、物体位置、任务组合发生变化，成功率可能明显下降。 RoboDojo专门对这类复杂情况进行考察，看机器人面对变化时，有多少泛化能力。 而VPP2这次交出的成绩单，相当亮眼。 平均成功率32.26%、平均得分39.26分，两个指标均位居榜首。 作为对比，在RoboDojo仿真基准的后训练评测中， GPT-6-Astra 的平均成功率为22.48%，平均得分28.97分。 而 VPP2 分别领先9.78个百分点和10.29分。 论文截图，基线模型数据取自官方排行榜 这里两个指标各有侧重：成功率看机器人能否完整完成任务；平均得分则衡量任务推进到了哪一步，即便没能全部完成，也能体现其阶段性表现。 两项指标均综合了五大能力维度的测试结果。 换句话说， VPP2不仅完成任务的比例更高，面对没能做完的任务，也体现出了更强的阶段性完成能力。 而且，这种领先并不局限于综合成绩。 拆开五项能力维度来看，VPP2在泛化、精准操作、记忆三个维度上，同样拿下第一。 这三项能力对应着机器人进入真实世界的几道难关：换个环境还能不能干活，操作能不能做准，以及连续执行任务时能不能记住前面的步骤。 综合成绩领先，关键能力也能打。 不过，RoboDojo再难，考场终究还是「仿真环境」。真到了物理世界，物体的摩擦、形变、位置偏差，又会陡生变数。 VPP2在仿真里展现出的泛化能力， 到了真机上还能成立吗？ 星动纪元也做了实验。 这次，团队直接把VPP2 部署到真实ALOHA双臂机器人 上，测试了抓取、放置、堆叠、折叠、倾倒等10类零样本操作任务。 也就是说，无需针对这些测试任务进行额外微调，机器人就得直接上手。 结果，VPP2再次交出领先成绩： 平均成功率58.5%，高于π0.5的40%。 在10类任务里，VPP2拿下了9类最佳成绩。 这下有意思了。 榜单第一，证明的是它在标准评测体系里的能力；真机零样本操作，则进一步考察这些能力能否迁移到真实物理环境。 两份成绩单摆在一起，VPP2的技术优势就更值得深挖了。 要知道，VPP2走的是 世界动作模型（WAM）路线 。 这类模型的基本思路，是借助视频预测理解物理世界接下来会如何变化，再把这种预测转化为机器人动作。 但这条路线长期存在一个问题：视频预测得漂亮，不代表机器人真的会干活。 VPP2这次，偏偏就冲着这个问题去了。 从预测泛化到行动泛化，VPP2怎么做到的？ 想理解VPP2的突破，先来看一个简单任务：让机器人把桌上的杯子放进盒子里。 对人类来说，伸手抓住、抬起来、放进去，几乎不用思考。 但机器人得判断杯子的位置、机械臂的运动轨迹、夹爪何时闭合，还要预测整个操作过程中，物理世界会发生什么变化。任何一步出了偏差，都可能翻车。 现有的世界动作模型（WAM），恰恰容易在这里出问题。 一方面，普通视频模型擅长生成画面，但画面看着合理，和符合真实物理规律是两回事。 比如要求抓左边的杯子，模型却预测抓起右边那个。视频照样能生成，机器人执行时却会直接跑偏。 另一方面，直接把动作学习加入视频模型，还可能损伤原本的泛化能力。 结果动作学会了，机器人换个环境却不会做了。 VPP2提出了一个很直接的判断： 视频预测的质量，决定了动作的上限。 基于这一思路，星动纪元选择将视频预测与动作学习分阶段训练，重点不是「视频、动作一锅炖」，而是把两者 「解耦」 ，重新 「排序」 。 星动纪元为此设计了一套 三阶段训练策略 ： 第一阶段，事件级视频继续预训练，让模型学会预测完整操作过程。 第二阶段，固定时长视频后训练与蒸馏，让预测能力跟得上机器人实时执行的速度。 第三阶段，动作专家训练，将视频预测转化为具体动作，同时尽量保住原有的泛化能力。 三个阶段层层递进，最终指向 两个核心突破 ：预测能泛化，行动也能泛化。 第一个突破：让视频预测具备泛化能力 VPP2首先要解决的，是机器人能否准确预测陌生任务中的物理变化。 星动纪元以阿里开源的Wan2.1-I2V-14B为基础，整合机器人操作、人类活动、通用视频等多种数据，覆盖