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
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
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。
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 。
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？
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」。
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
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？
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
从预测泛化到行动泛化，VPP2怎么做到的？
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。
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。
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」 。
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。
第一个突破：让视频预测具备泛化能力
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。
团队没有简单地把视频一股脑喂给模型，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。
比如，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。
传统短时预测关注接下来几帧会发生什么，而VPP2直接让模型学习一次完整操作从开始到结束的变化。
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%。
这也说明，在物理操作预测中，参数规模并非唯一的胜负手，能否真正理解操作过程同样重要。
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。
第一道坎很好理解。如果让机器人干活，每个动作发生前都要花几秒生成视频，那么再强的预测能力也很难派上用场。
团队将事件级预测模型进一步调整为固定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。
前面好不容易让视频模型学会了预测陌生任务，结果加入动作训练后，模型反而只会执行熟悉的操作。
VPP2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。
在动作训练初期，视频模型的基础参数被冻结，仅通过LoRA进行适配，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怎么变化，再训练它如何把这种「理解」转化为「动作」。
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。
前面提到的 ALOHA真实机器人零样本测试 ，已经展现出VPP2将预测能力转化为陌生任务操作的潜力。
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 则考察组合泛化，将熟悉的物体、布局和任务目标重新组合，形成此前没见过的新任务。
再通过蒸馏加速、分阶段动作学习，将这种预测能力转化为实际操作，同时尽量保留原有的泛化能力。
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， 仍然有机会带来可观的模型性能提升。
从GPT到WAM，物理AI正在形成新范式
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。
前者负责理解、推理和规划，把复杂任务拆解成明确步骤；后者负责预测物理世界如何变化，再将规划转化为具体动作。
团队实际采用的是VLM高层规划器，由其负责语义理解、记忆和任务拆解，再将明确的子任务交给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，光有强大的动作能力还不够。高层规划与底层执行能否配合，同样影响任务完成效果。
顺着这条思路往后看， 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。
模型能力要通过本体与物理世界交互，真实使用又会暴露失败、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」的战略可以在这一逻辑中得到解释： 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的环节。
星动纪元在这方面，已与中国邮政、顺丰等企业开展合作，在 全国5个省市、10余个物流中心常态化运营 。
物流场景中的货物尺寸、摆放位置、作业流程都可能发生变化。同样一套操作，换个仓库，机器人可能就得重新适应。
当然，已有物流业务的商业化进展，并不意味着VPP2已经实现规模化部署。模型能否在更多真实场景中长期稳定运行，还需要进一步验证。
从仿真到真机，从预测泛化到行动泛化，VPP2的一系列实验结果表明： 视频预测与动作学习的分阶段训练，确实能够提升机器人在陌生任务中的操作能力。
而随着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。
1.开源代码 :https://github.com/roboterax/video-prediction-policy-2 2.项目主页： https://robert-gyj.github.io/video-prediction-policy-2
AI算力硬合作，马斯克还是更相信中国制造 2026-10-04
最火AI岗位FDE：月薪5万，都干这些… 2026-10-04
工业创新进入“组队局”，拆解西门子Xcelerator开放生态的赋能链路 2026-09-28
相关阅读
从看懂世界到做对动作，卧安机器人OneModel 1.7用一条「隐式通路」打通了具身智能的关键断层
机器人原生世界动作模型问世！首创时空一体架构，复旦系团队出品
热门文章
openJiuwen X-Router自演进模型路由技术首发，昇腾亲和，Agent越跑越省，实测减少50+%Token消耗
丘成桐新论文致谢了GPT和Claude
arXiv最严新规！每人每月最多提交2篇，拒稿不退额度
OpenAI安全团队持续地震！负责人离职，三名员工因泄密被开
DeepSeek扩招！弹性计算团队大量HC，尤其需要资深工程师
量子位 QbitAI 版权所有©北京极客伙伴科技有限公司 京ICP备17005886号-1