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

中国团队在世界动作模型（WAM）领域直接登顶全球首位？！GPT-6-Astra、Physical Intelligence的π0.5以及英伟达GR00T-N1.7等众多全球顶尖具身模型此次均被超越。

推出这一成果的是一家中国机器人公司——清华独家持股的嫡系具身企业，星动纪元。

近日，星动纪元自主研发的世界动作模型VPP2，一举登顶RoboDojo仿真榜单。

综合平均成功率达32.26%，综合平均得分为39.26分，两项指标均位列第一。

这场竞赛的难度不容小觑。RoboDojo被称为具身智能领域的「珠穆朗玛峰」，由香港大学MMLab牵头，联合全球近20所顶尖学术机构共同打造。

它专门针对机器人的薄弱环节出题：更换环境后能否继续工作？物体摆放不齐时能否精准抓取？任务执行中途能否记住之前的内容？总之，想通过重复训练蒙混过关绝非易事。

结果，星动纪元VPP2不仅综合成绩领先，在泛化能力、精细操作、记忆能力三个维度上也拔得头筹。

据悉，此次VPP2未额外添加数据，也未使用Agent RSI等增强手段，仅依靠「标准数据集」，就将众多高手比了下去。

这说明VPP2模型本身足够强大，性能提升源于预训练，基座具备良好的泛化性，因此无需依赖外部增强策略或扩充数据来「刷分」。

这一突破性的模型究竟是如何训练出来的？我们深入技术路线后发现，VPP2此次的突破确实有其独到之处。

它瞄准了世界动作模型的一个长期难题：预测出错，动作就会随之出错。VPP2的解决方案是，先大幅提升视频预测能力，再让机器人在陌生环境中实际运作。从预测到行动，两种泛化能力同步提升。

从目前披露的多项测试结果看，VPP2已成为世界动作模型WAM赛道中最具竞争力的选手之一。

世界动作模型WAM，催生新冠军

具身智能行业存在一个尴尬现象：机器人演示越来越炫酷，模型榜单分数也越来越高，但真要评估谁的机器人更智能、更实用，却难以回答。例如，让机器人抓杯子，在训练过的桌面上可能百发百中，但换个杯子或挪动位置，它可能立刻不知所措，更别提需要连续执行多步骤的任务。

这也是RoboDojo评测备受关注的原因。其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，涵盖泛化、精准操作、长程任务、记忆、开放词汇指令理解五个维度。简而言之，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，但一旦环境、物体位置或任务组合变化，成功率可能显著下降。RoboDojo专门考察这类复杂情况，评估机器人在面对变化时的泛化能力。

VPP2此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，两项指标均居首位。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。

这两个指标各有侧重：成功率反映机器人能否完整完成任务；平均得分则衡量任务推进到哪一步，即使未完成，也能体现阶段性表现。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，面对未完成的任务，也展现出更强的阶段性完成能力。

这种领先不限于综合成绩。拆开五项能力维度看，VPP2在泛化、精准操作、记忆三个维度上也拿下第一，对应着机器人进入真实世界的几道难关：换环境能否工作、操作能否精准、连续执行任务时能否记住步骤。综合成绩领先，关键能力同样出色。

不过，RoboDojo再难，考场终究是「仿真环境」。到了物理世界，物体的摩擦、形变、位置偏差会带来更多变数。VPP2在仿真中展现的泛化能力，在真机上还能成立吗？

星动纪元也进行了实验。团队直接将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，无需针对这些任务进行额外微调，机器人直接上手。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类任务中，VPP2拿下了9类最佳成绩。

榜单第一证明其在标准评测体系中的能力，真机零样本操作则进一步验证这些能力能否迁移到真实物理环境。两份成绩单结合，VPP2的技术优势值得深挖。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通过视频预测理解物理世界的变化，再将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，不代表机器人真能干活。VPP2此次恰好针对这个问题。

从预测泛化到行动泛化，VPP2如何实现？

要理解VPP2的突破，先看一个简单任务：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、放进去几乎无需思考，但机器人需判断杯子位置、机械臂轨迹、夹爪闭合时机，并预测操作过程中物理世界的变化。任何一步偏差都可能导致失败。

现有的世界动作模型（WAM）容易在此出问题。一方面，普通视频模型擅长生成画面，但画面合理与符合真实物理规律是两回事。例如，要求抓左边的杯子，模型却预测抓起右边那个，视频照样生成，但机器人执行时会跑偏。另一方面，直接将动作学习加入视频模型，可能损伤原有的泛化能力，导致机器人学会动作后换环境却不会做。

VPP2提出了一个直接判断：视频预测的质量决定了动作的上限。 基于此，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」，而是将两者**「解耦」，重新「排序」。团队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，使预测能力跟上机器人实时执行速度；第三阶段，动作专家训练，将视频预测转化为具体动作，同时尽量保留原有泛化能力。

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首先解决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，覆盖不同机器人本体和操作方式。真正有趣的是它对数据的处理：团队没有简单地将视频喂给模型，而是先将操作过程切分成语义完整的片段，再配上详细描述。 例如，不能只告诉模型「把杯子放进盒子」，还要明确是哪只机械臂、哪个杯子、哪个盒子，以及整个操作过程。因为同一句模糊指令可能对应无数种动作轨迹，模型如果连操作对象都没搞清楚，自然难以准确预测未来。VPP2将任务描述得更细，使语言指令和物理操作形成稳定对应关系。

更关键的一步是事件级视频预测训练。传统短时预测关注接下来几帧的变化，而VPP2让模型学习一次完整操作从开始到结束的变化。从机械臂靠近杯子，到抓住杯子，再到放进盒子，模型需理解整件事如何发生。这样，面对新物体、位置或操作任务，它才有机会预测合理的物理变化。在机器人操作视频的指令遵循测试中，14B参数的VPP2达到**90%**的成功率，而64B参数的Cosmos3模型为78%。14B打赢64B，说明在物理操作预测中，参数规模并非唯一胜负手，能否真正理解操作过程同样重要。不过，预测再准，机器人动不起来也无用。

第二个突破：让预测泛化变成行动泛化。 这里有两道坎，一是速度，二是如何在学会动作的同时，保住视频模型原有的泛化能力。 第一道坎容易理解：如果每个动作前都需花几秒生成视频，再强的预测能力也难以实用。星动纪元选择先给预测模型提速：将事件级预测模型调整为固定8秒的视频片段预测，再通过一致性蒸馏，将多步计算压缩为单步生成，最终预测未来8秒的视觉变化，计算耗时约0.12秒。

第二道坎更棘手：前面让视频模型学会了预测陌生任务，加入动作训练后，模型可能反而只会执行熟悉操作。动作能力长出来，泛化能力却丢了？VPP2要同时跨过这两道坎。它引入一个0.9B参数的扩散Transformer（Action DiT），采用MoT架构，学习如何根据预测的未来状态生成机器人动作。但星动纪元没有直接将视频预测模型（Video DiT）和动作专家一起从头训练。在动作训练初期，视频模型的基础参数被冻结，仅通过LoRA适配，尽量避免动作训练破坏已有的预测泛化能力。相当于先让机器人理解物理世界如何变化，再训练它如何将这种「理解」转化为「动作」。两种能力分阶段生长，又相互配合。 最终，视频预测约耗时0.12秒，动作专家约耗时0.1秒，整体动作片段生成延迟约为0.22秒。

架构再漂亮，也得看最终效果。前面提到的ALOHA真实机器人零样本测试，已展现VPP2将预测能力转化为陌生任务操作的潜力。另外两套泛化测试进一步验证了这条路线：LIBERO-Pro考察物体位置、任务要求变化后的操作能力，VPP2取得45.0%的总体成功率，其他基线模型最高为11.0%；LIBERO-OOD考察组合泛化，将熟悉物体、布局和任务目标重新组合，形成新任务，VPP2总体成功率达63.9%。

把这些结果放在一起，VPP2的技术思路就清晰了：先通过多源数据、详细任务描述和事件级预测训练，让模型更准确预测物理变化；再通过蒸馏加速、分阶段动作学习，将预测能力转化为实际操作，同时尽量保留原有泛化能力。具身智能的性能上限显然还没到只能靠规模硬堆的地步。VPP2再次说明，优化数据管线、调整训练范式这些看似朴素的工程方法，仍然能带来可观的模型性能提升。

从GPT到WAM，物理AI正形成新范式

预测能泛化，行动也能泛化，是VPP2作为世界动作模型WAM最值得关注的核心突破。但真实任务往往更复杂，机器人不仅要知道怎么做，还得判断先做什么、后做什么。这需要更高层的认知与规划能力参与。星动纪元贡献了一个思路：GPT负责想，VPP2负责做。 前者负责理解、推理和规划，将复杂任务拆解成明确步骤；后者负责预测物理世界变化，再将规划转化为具体动作。

这一思路在VPP2论文中已有初步实验支撑。团队实际采用VLM高层规划器，由其负责语义理解、记忆和任务拆解，再将明确子任务交给VPP2执行。结果相当直观：在RoboDojo选定的长程任务测试中，引入VLM子任务规划后，平均成功率从27.6%提升至57.6%。这意味着机器人要完成复杂任务，光有强大动作能力还不够，高层规划与底层执行的配合同样影响效果。

顺着这一思路，GPT+VPP2有望形成一种新的物理AI技术范式：通用认知+通用物理执行。GPT等通用模型负责理解意图、推理和规划，VPP2这样的WAM负责预测物理变化、生成动作，再通过执行反馈持续调整。从认知、规划、预测到执行、反馈，一套完整物理AI闭环逐渐清晰，这也让WAM的价值有了更大想象空间。

模型能力需通过本体与物理世界交互，真实使用会暴露失败、产生反馈，推动模型和硬件继续改进。星动纪元同时做大脑、本体和灵巧手，「深全栈」战略可在此逻辑中解释：公司试图掌握的不仅是训练环节，也包括能力落地与反馈回流环节。

技术路线再漂亮，最终还需在真实世界验证。星动纪元已与中国邮政、顺丰等企业合作，在全国5个省市、10余个物流中心常态化运营。物流场景中货物尺寸、摆放位置、作业流程都可能变化，同一套操作换个仓库，机器人可能需重新适应，这对泛化能力提出更高要求。模型能否将学过的本事迁移到陌生任务中，直接关系到未来跨场景部署的效率和成本。当然，已有物流业务的商业化进展，并不意味着VPP2已实现规模化部署，模型能否在更多真实场景中长期稳定运行还需进一步验证。但VPP2此次成绩已释放出值得关注的信号：世界动作模型的竞争，正从预测未来，进一步走向将预测转化为通用行动。

回头再看RoboDojo登顶，值得关注的不仅是一个第一名。从仿真到真机，从预测泛化到行动泛化，VPP2的实验结果表明：视频预测与动作学习的分阶段训练，确实能提升机器人在陌生任务中的操作能力。 随着GPT等通用认知模型与WAM进一步结合，物理AI也有望形成更完整的能力体系。说到底，具身智能下一轮比拼的，就是机器人能否将学到的本事带入更多陌生场景。预测得准，还要做得到，这才是世界动作模型真正走向物理世界的关键。

PS：VPP2现已开源，感兴趣的朋友可动手尝试，复现论文结果。若跑出惊喜，欢迎回来交流～开源代码：https://github.com/roboterax/video-prediction-policy-2；项目主页：https://robert-gyj.github.io/video-prediction-policy-2。本文来自微信公众号“量子位”，作者：田晏林，36氪经授权发布。此外，在雷竞技电竞入口中，用户可通过该平台获取更多相关技术动态。