好傢伙，世界動作模型（WAM）賽道，中國團隊直接衝到了全球第一？！

而且，GPT-6-Astra、Physical Intelligence的π0.5、輝達GR00T-N1.7等一眾全球頭部具身模型，這次都被甩在了身後。

出手的是一家中國機器人公司——清華唯一持股的嫡系具身公司，星動紀元。

近日，星動紀元自研的世界動作模型VPP2，一舉登頂RoboDojo模擬榜單。

綜合平均成功率32.26%，綜合平均得分39.26分，兩個指標雙雙第一。

關鍵是，這場比賽還真不好打。

RoboDojo號稱具身智能界的「珠穆朗瑪峰」，由香港大學MMLab牽頭，全球近20所頂尖學術機構共同建設。

它專挑機器人不擅長的地方出題：換個環境，還會不會幹活？東西擺歪了，還能不能抓準？任務做到一半，還記不記得前面發生了什麼？

總之，想靠刷熟練度矇混過關，沒那麼容易。

星動紀元VPP2不僅拿下綜闔第一，在泛化能力、精細操作、記憶能力三個維度上，也拔得頭籌。

據說，這次VPP2沒有額外加資料，也沒用Agent RSI等增強手段，僅靠「標準資料集」，就把一眾高手給捲了下去。

這代表著VPP2模型本身足夠強，性能提升來自預訓練，基座足夠泛化，因此不靠外掛增強策略，不靠擴充資料「刷分」。

不是，哥們兒，這麼夯的模型到底是怎麼練出來的啊？？？

我們往技術路線裡扒了扒，你別說，VPP2這次的突破，還真有點東西。

它瞄準了世界動作模型的一道老大難問題：預測錯了，動作就跟著錯。

VPP2給出的解法，是先把視訊預測能力練到足夠強，再讓機器人在陌生環境裡真正動起來。

從預測到行動，兩種泛化能力一起提升。

從目前披露的多項測試結果來看，VPP2已經成為世界動作模型WAM賽道中，最有競爭力的選手之一。

世界動作模型WAM，捲出一個新冠軍

具身智能行業有個挺尷尬的現象。

機器人Demo越做越炫，模型榜單分數也越來越高，但真要問一句，誰的機器人更聰明、更能幹活？

比如讓機器人抓杯子。在訓練時見過的桌面上，它可能百發百中。結果換個杯子、挪下位置，立刻開始懷疑人生。

更別提那些需要連續執行多個步驟的任務了。

這也是為什麼，RoboDojo這套評測值得關注。

它的目標是為具身智能建立統一、可復現的評測標準，模擬測試包含42項雙臂操作任務，覆蓋泛化、精準操作、長程任務、記憶、開放詞彙指令理解五個維度。

說白了，就是把機器人拉出舒適區。

傳統機器人模型在熟悉任務上可能接近滿分，一旦環境、物體位置、任務組合發生變化，成功率可能明顯下降。

RoboDojo專門對這類複雜情況進行考察，看機器人面對變化時，有多少泛化能力。

而VPP2這次交出的成績單，相當亮眼。

平均成功率32.26%、平均得分39.26分，兩個指標均位居榜首。

作為對比，在RoboDojo模擬基準的後訓練評測中，GPT-6-Astra的平均成功率為22.48%，平均得分28.97分。

而VPP2分別領先9.78個百分點和10.29分。

△論文截圖，基線模型資料取自官方排行榜

這裡兩個指標各有側重：成功率看機器人能否完整完成任務；平均得分則衡量任務推進到了那一步，即便沒能全部完成，也能體現其階段性表現。

兩項指標均綜合了五大能力維度的測試結果。

換句話說，VPP2不僅完成任務的比例更高，面對沒能做完的任務，也體現出了更強的階段性完成能力。

而且，這種領先並不侷限於綜合成績。

拆開五項能力維度來看，VPP2在泛化、精準操作、記憶三個維度上，同樣拿下第一。

這三項能力對應著機器人進入真實世界的幾道難關：換個環境還能不能幹活，操作能不能做准，以及連續執行任務時能不能記住前面的步驟。

綜合成績領先，關鍵能力也能打。

不過，RoboDojo再難，考場終究還是「模擬環境」。真到了物理世界，物體的摩擦、形變、位置偏差，又會陡生變數。

VPP2在模擬裡展現出的泛化能力，到了真機上還能成立嗎？

這次，團隊直接把VPP2部署到真實ALOHA雙臂機器人上，測試了抓取、放置、堆疊、摺疊、傾倒等10類零樣本操作任務。

也就是說，無需針對這些測試任務進行額外微調，機器人就得直接上手。

結果，VPP2再次交出領先成績：平均成功率58.5%，高於π0.5的40%。

在10類任務裡，VPP2拿下了9類最佳成績。

榜單第一，證明的是它在標準評測體系裡的能力；真機零樣本操作，則進一步考察這些能力能否遷移到真實物理環境。

兩份成績單擺在一起，VPP2的技術優勢就更值得深挖了。

要知道，VPP2走的是世界動作模型（WAM）路線。

這類模型的基本思路，是借助視訊預測理解物理世界接下來會如何變化，再把這種預測轉化為機器人動作。

但這條路線長期存在一個問題：視訊預測得漂亮，不代表機器人真的會幹活。

VPP2這次，偏偏就衝著這個問題去了。

從預測泛化到行動泛化，VPP2怎麼做到的？

想理解VPP2的突破，先來看一個簡單任務：讓機器人把桌上的杯子放進盒子裡。

對人類來說，伸手抓住、抬起來、放進去，幾乎不用思考。

但機器人得判斷杯子的位置、機械臂的運動軌跡、夾爪何時閉合，還要預測整個操作過程中，物理世界會發生什麼變化。任何一步出了偏差，都可能翻車。

現有的世界動作模型（WAM），恰恰容易在這裡出問題。

一方面，普通視訊模型擅長生成畫面，但畫面看著合理，和符合真實物理規律是兩回事。

比如要求抓左邊的杯子，模型卻預測抓起右邊那個。視訊照樣能生成，機器人執行時卻會直接跑偏。

另一方面，直接把動作學習加入視訊模型，還可能損傷原本的泛化能力。

結果動作學會了，機器人換個環境卻不會做了。

VPP2提出了一個很直接的判斷：視訊預測的質量，決定了動作的上限。

基於這一思路，星動紀元選擇將視訊預測與動作學習分階段訓練，重點不是「視訊、動作一鍋燉」，而是把兩者「解耦」，重新「排序」。

星動紀元為此設計了一套三階段訓練策略：

第一階段，事件級視訊繼續預訓練，讓模型學會預測完整操作過程。

第二階段，固定時長視訊後訓練與蒸餾，讓預測能力跟得上機器人即時執行的速度。

第三階段，動作專家訓練，將視訊預測轉化為具體動作，同時儘量保住原有的泛化能力。

三個階段層層遞進，最終指向兩個核心突破：預測能泛化，行動也能泛化。

第一個突破：讓視訊預測具備泛化能力

VPP2首先要解決的，是機器人能否精準預測陌生任務中的物理變化。

星動紀元以阿里開放原始碼的Wan2.1-I2V-14B為基礎，整合機器人操作、人類活動、通用視訊等多種資料，覆蓋不同機器人本體和操作方式。

不過，真正有意思的是它對資料的處理。

團隊沒有簡單地把視訊一股腦喂給模型，而是先將操作過程切分成語義完整的片段，再配上詳細描述。

比如，不能只告訴模型「把杯子放進盒子」，還要明確是那只機械臂、那個杯子、那個盒子，以及整個操作過程。

因為同一句模糊指令，可能對應無數種動作軌跡。

模型如果連操作對象都沒搞清楚，自然很難精準預測未來。

VPP2索性把任務描述得更細，讓語言指令和物理操作形成更穩定的對應關係。

更關鍵的一步，是事件級視訊預測訓練。

傳統短時預測關注接下來幾幀會發生什麼，而VPP2直接讓模型學習一次完整操作從開始到結束的變化。

從機械臂靠近杯子，到抓住杯子，再到放進盒子，模型要理解的是一整件事如何發生。

這樣一來，面對新的物體、位置甚至操作任務，它才更有機會預測合理的物理變化。

在機器人操作視訊的指令遵循測試中，14B參數的VPP2達到90%的成功率，而64B參數的Cosmos3模型為78%。

這也說明，在物理操作預測中，參數規模並非唯一的勝負手，能否真正理解操作過程同樣重要。

不過，預測得再准，機器人動不起來，也白搭。

第二個突破：讓預測泛化變成行動泛化

彙整鉅亨號中所有使用「世界動作模型」關鍵字，所發布的內容 (依照時間排序，最新在前，舊的在後)`

清華具身模型登頂全球第一！突圍GPT-6、輝達，不靠外掛和額外資料