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。
結果呢？
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？
還真不好回答。
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？
星動紀元也做了實驗。
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。
這下有意思了。
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%。
14B打贏64B。
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
這裡有兩道檻，一是速度，二是如何在學會動作的同時，保住視訊模型原有的泛化能力。
第一道檻很好理解。如果讓機器人幹活，每個動作發生前都要花幾秒生成視訊，那麼再強的預測能力也很難派上用場。
星動紀元選擇先給預測模型提速。
團隊將事件級預測模型進一步調整為固定8秒的視訊片段預測，再通過一致性蒸餾，將多步計算壓縮為單步生成。
最終，預測未來8秒的視覺變化，計算耗時約0.12秒。
第二道檻，稍微棘手一些。
前面好不容易讓視訊模型學會了預測陌生任務，結果加入動作訓練後，模型反而只會執行熟悉的操作。
動作能力長出來了，泛化能力卻丟了？VPP2要做的，就是同時跨過這兩道檻。
VPP2引入一個0.9B參數的擴散Transformer（Action DiT），採用MoT架構，學習如何根據預測的未來狀態生成機器人動作。
但星動紀元沒有直接將視訊預測模型（Video DiT）和動作專家一起從頭訓練。
在動作訓練初期，視訊模型的基礎參數被凍結，僅通過LoRA進行適配，儘量避免動作訓練破壞已有的預測泛化能力。
相當於先讓機器人理解物理世界怎麼變化，再訓練它如何把這種「理解」轉化為「動作」。
兩種能力分階段生長，又相互配合。
最終，視訊預測約耗時0.12秒，動作專家約耗時0.1秒，整體動作片段生成延遲約為0.22秒。
當然，架構再漂亮，也得看最終效果。
前面提到的ALOHA真實機器人零樣本測試，已經展現出VPP2將預測能力轉化為陌生任務操作的潛力。
另外兩套泛化測試，則進一步驗證了這條路線。
LIBERO-Pro考察物體位置、任務要求變化後的操作能力，VPP2取得45.0%的總體成功率，其他基線模型最高為11.0%。
LIBERO-OOD則考察組合泛化，將熟悉的物體、佈局和任務目標重新組合，形成此前沒見過的新任務。
VPP2的總體成功率達到63.9%。
把這些結果放在一起看，VPP2的技術思路就清楚了。
先通過多源資料、詳細任務描述和事件級預測訓練，讓模型更準確地預測物理變化。
再通過蒸餾加速、分階段動作學習，將這種預測能力轉化為實際操作，同時儘量保留原有的泛化能力。
具身智能的性能上限，顯然還沒到只能靠規模硬堆的地步。
VPP2再次說明，最佳化資料管線、調整訓練範式，這些看似樸素的工程方法，仍然有機會帶來可觀的模型性能提升。
從GPT到WAM，物理AI正在形成新範式
預測能泛化，行動也能泛化，是VPP2作為世界動作模型WAM，最值得關注的核心突破。
但真實任務往往更加複雜。機器人不僅要知道怎麼做，還得判斷先做什麼、後做什麼。
這就需要更高層的認知與規劃能力參與進來。
星動紀元這裡貢獻了一個思路：GPT負責想，VPP2負責做。
前者負責理解、推理和規劃，把複雜任務拆解成明確步驟；後者負責預測物理世界如何變化，再將規劃轉化為具體動作。
這一思路，在VPP2論文中已經有了初步的實驗支撐。
團隊實際採用的是VLM高層規劃器，由其負責語義理解、記憶和任務拆解，再將明確的子任務交給VPP2執行。
結果相當直觀。在RoboDojo選定的長程任務測試中，引入VLM子任務規劃後，平均成功率從27.6%提升至57.6%。
這意味著，機器人要完成複雜任務，光有強大的動作能力還不夠。高層規劃與底層執行能否配合，同樣影響任務完成效果。
順著這條思路往後看，GPT＋VPP2有望形成一種新的物理AI技術範式：通用認知＋通用物理執行。
GPT等通用模型負責理解意圖、推理和規劃，VPP2這樣的WAM負責預測物理變化、生成動作，再通過執行反饋持續調整。
從認知、規劃、預測，到執行、反饋，一套完整的物理AI閉環逐漸清晰。
而這，也讓WAM的價值有了更大的想像空間。
模型能力要通過本體與物理世界互動，真實使用又會暴露失敗、產生反饋，推動模型和硬體繼續改進。
星動紀元同時做大腦、本體和靈巧手，「深全端」的戰略可以在這一邏輯中得到解釋：公司試圖掌握的不僅是訓練環節，也包括能力落地與反饋回流的環節。
u1s1，技術路線再漂亮，最終還是得去真實世界裡幹活。
星動紀元在這方面，已與中國郵政、順豐等企業開展合作，在全國5個省市、10余個物流中心常態化營運。
物流場景中的貨物尺寸、擺放位置、作業流程都可能發生變化。同樣一套操作，換個倉庫，機器人可能就得重新適應。
這也對機器人的泛化能力提出了更高要求。
模型能否把學過的本事遷移到陌生任務中，直接關係到未來跨場景部署的效率和成本。
當然，已有物流業務的商業化進展，並不意味著VPP2已經實現規模化部署。模型能否在更多真實場景中長期穩定運行，還需要進一步驗證。
但VPP2這次的成績，已經釋放出一個值得關注的訊號。
世界動作模型的競爭，正在從預測未來，進一步走向把預測轉化為通用行動。
回頭再看RoboDojo登頂，值得關注的也就不只是一個第一名了。
從模擬到真機，從預測泛化到行動泛化，VPP2的一系列實驗結果表明：視訊預測與動作學習的分階段訓練，確實能夠提升機器人在陌生任務中的操作能力。
而隨著GPT等通用認知模型與WAM進一步結合，物理AI也有望形成更完整的能力體系。
說到底，具身智能下一輪比拚的，就是機器人能否把學到的本事，帶進更多陌生場景。
預測得準，還要做得到。這才是世界動作模型真正走向物理世界的關鍵。 (量子位)