ITBear旗下自媒体矩阵:

同一套具身模型 15支队伍如何在48小时真机赛中各显解法

   时间:2026-11-17 02:38:11 来源:互联网编辑:快讯 IP:北京 发表评论无障碍通道
 

蚂蚁灵波具身大模型挑战赛的总决赛在上海张江完成线下角逐。线上初赛之后,十五支队伍进入连续四十八小时的真机环节,面对蔬果摆放、化妆品收纳和双臂清扫三项任务。比赛统一提供开源模型 LingBot-VLA 2.0、松灵 COBOT MAGIC 机器人以及现场算力,各队真正拉开差距的地方,变成了怎样使用数据、调用工具和安排训练。

最终排名中,TARS 以 82 分居首,EVA 位列第二,SST 以 65.87 分排在第三。SST 的特别之处在于只额外采集了十三条数据;它没有把主要精力放在扩充样本上,而是把任务理解交给 DeepSeek,再用视觉分割模型圈出目标物体,动作生成仍由 LingBot-VLA 2.0 完成。

为了让少量新数据不冲掉模型原有能力,SST 冻结了一部分预训练参数。这个选择让十三条补充数据集中作用在需要修正的环节,而不是把 LingBot-VLA 2.0 已经具备的通用能力重新覆盖一遍。先借通用模型拆解指令、借视觉工具定位目标,再让具身模型专注动作执行,构成了 SST 的轻量路线。

TARS 把三项任务拆开判断。蔬果摆放与化妆品收纳的难点在于桌面杂物干扰,队伍让大模型辨认目标与干扰物,遮掉无关区域,第一项任务十次测试全部成功。双臂清扫被他们投入更多时间:簸箕抓取不稳,就重新选择抓持位置并补采数据;机械臂伸远、负重后出现下坠,就测量不同负重下的偏差并对动作补偿。训练单步耗时从约十五秒压到 3.4 秒,也为现场反复上机争取了窗口。

EVA 从官方数据直接训练起步,真机成功率约为一成。每轮上机失败都被记录成下一轮训练依据:机器人在哪里抓偏、什么角度容易出错,就围绕这些问题继续采集和训练。经过七轮迭代,数据量增加到约一千二百条,自测成功率提高到 73.83%。

FDU_SONIC 由四名复旦学生组成,平时使用的机械臂价格约两千元,算力也不宽裕。队伍没有选择成本更高的模型结构创新,而是反复分析官方提供的六百四十七条轨迹,再通过真机测试寻找失败原因,围绕问题调整数据。最终他们获得第五名和三等奖。

决赛队伍的背景并不单一。有人长期研究机器人,也有人来自自动驾驶、搜索推荐、大模型评测和 AI 基础设施等领域,部分队员甚至是第一次接触机械臂、仿真环境和真机调试。“416 一定行”的两名队员此前做搜索推荐和多模态算法,刚毕业便第一次进入机器人仿真与真机调试。他们起初沿用补充数据、全量微调的思路,模型在标准场景中表现更好,换到物体随机摆放的环境后成功率反而下降。

进一步分析后,“416 一定行”判断视觉模块过度学习了比赛数据,损失了 LingBot-VLA 2.0 原有的通用能力。他们于是限制视觉部分的学习幅度,把优化集中到动作模块。这个调整指向一个具体难题:开发者既要让模型处理新任务,又要在微调中守住它已经拥有的能力。

“今天也要好好检东西”带着大模型评测的习惯进入比赛,先拆解任务、设计评价标准,再寻找失败发生在哪个环节。他们让视觉语言模型理解环境、规划步骤,再由 LingBot-VLA 2.0 执行动作,同时搭建仿真环境提前验证方案。到了真机现场,仿真桌面与真实桌面存在约五厘米的尺寸偏差,原本设计好的动作因此失效。数字环境可以精确复现,机器人面对的却是尺寸、光线、摩擦和机械误差都会变化的物理世界。

基础设施背景的队伍最先盯上训练速度。“持续知行”把单步训练从约十五秒压到四秒,在四十八小时内测试了约三十个模型检查点;Motion 也把每步训练从约十四秒提高到 3.7 秒。对短时间比赛而言,提速意味着可以多完成几轮“训练—上机—发现问题—重新调整”。还有自动驾驶从业者把残差学习和数据增强搬到机械臂,机器人研究者则让模型根据环境的不确定程度调整动作长度。

比赛之外,Fable5.2 的发布引发讨论:通用大模型会不会替代具身智能基础模型?蚂蚁灵波 CEO 朱兴表示,具身智能仍处早期,通用大模型的进展会加速行业发展,但机器人最终要在真实场景中证明,换个条件还能干、速度跟得上、成本也算得过来。对蚂蚁灵波而言,基模最值得追求的进步,是让伙伴用更少的数据和后训练成本,把机器人部署到新场景。

朱兴还提到,本体和末端工具会长期保持多样。生产场景有不同的效率、节拍和成本要求;即便将来进入家庭,不同用户的需求和偏好也不一样,模型适配不同构型会是一个长期问题。VLA、世界模型、通用大模型控制机器人等路线都在探索,行业尚不清楚哪类数据扩大规模后会带来能力跃迁。他的态度是不要盲目乐观,但也没必要过于悲观。

SST 与 TARS 的做法有相通处:先借通用模型和视觉工具处理“要做什么、看哪里”,再把动作执行交给 VLA。开发者围绕同一块基础模型带回成功方法、失败经验和真实世界问题;LingBot-VLA 2.0 承担的是机器人大脑这一层基础能力,队伍不必从零搭建视觉、语言和动作系统,可以直接在已有模型上训练、优化并部署到真机。

 
 
更多>同类资讯
全站最新
热门内容
网站首页  |  关于我们  |  联系方式  |  版权声明  |  争议稿件处理  |  English Version