武显瑾EVA战队:48小时如何把实机成功率从10%做到70%?
文|周小燕 编辑|徐青阳摘要:同一颗大脑,同一道难题,不同的破局之道。“比赛第一天,我们拿到官方提供的公开数据集进行训练,却发现我们模型的成功率大概只有10%。”11月16日上午,在上海张江科学会堂举行的首届蚂蚁灵波具身大模型挑战赛决赛路演现场,来自“EVA”战队的武显瑾讲述了团队在过去48小时里的经历。“而在...
“比赛第一天,我们拿到官方提供的公开数据集进行训练,结果发现模型的成功率只有10%左右。”
说这话的是“EVA”战队的武显瑾。11月16日上午,首届蚂蚁灵波具身大模型挑战赛决赛路演在上海张江科学会堂举行,他上台讲了团队这48小时的经过。
“比赛结束时,我们方案的实机成功率做到了70%上下。”
10%到70%,中间只隔了48小时。
11月14日比赛一开锣,武显瑾就和队友在会场工作间领到了题目:用机械臂抓起桌上的果蔬,把一盒化妆品放进透明盒,再让两条机械臂配合,将桌面碎屑扫进收纳筐。
工作间里摆着15张桌子,每支决赛队伍一张。机械臂型号全都一样,跑的也是同一套模型——蚂蚁灵波开源的LingBot-VLA 2.0。赛方事先给了一批训练数据,选手可以按需在现场补采。
48小时之后,各队方案要过三轮真机测评,取其中最好的一轮算分。
这场赛事今年9月在外滩大会上启动,报名规模是1855支队伍、3252人,覆盖13个国家的648所高校、科研院所和企业。
最后闯进决赛的只有15支队伍——平均124支报名队伍里才出一支。晋级者中有快毕业的00后硕士,有向大厂请假赶来的工程师,也有头一回把代码放到真机上跑的学生。
模型一样、设备一样、题目一样,换不同的人来写,48小时能交出什么答案?
以往模型能力多靠榜单和演示视频来体现。真到了决赛现场,哪些动作能直接做出来,哪些得补数据、重训练,只有上了机才知道。
01 48小时真机里的人、问题与选择
初赛跑在仿真环境里,前后持续了一个多月。
当晚11点49分,“有手就行”战队队长田文善交上最后一版模型,得分66。国庆之前,他的成绩还不到60分。为了多拿几分,他放弃休假,连着调了七天。
田文善和两名队友都干过自动驾驶。刚参赛那会儿,他照着官方参考流程跑了一遍,只拿到20多分。
几个人把自动驾驶里的思路搬了过来:让模型去预测相邻两帧之间关节角度的变化,而不是直接预测关节的绝对角度。就这一处改动,初赛成绩涨了5至7分。之后他们又在训练时旋转图像、注入噪声,或者随机把某一路摄像头的画面调灰、调黑,降低模型对单一视角的依赖。
可一上真机,麻烦往往出在想不到的地方。
“416一定行”战队是头一次碰真机。决赛第二天跑模型时,有人不小心碰动了桌子,那个训练了7000步的模型基本报废。
“EVA”战队第一天用赛方数据训练,真机成功率只有10%左右。武显瑾和队友商量后决定,先让机器人上机跑,再照着实际表现有的放矢地补数据。
“我们想的不是怎么调LingBot-VLA 2.0,而是怎么在它上面把RSI跑起来。”武显瑾说。RSI就是递归自我改进:机器人每跑完一轮测试,AI便对数据做标注、筛选,给动作轨迹打分。碰上失败,队员接管机器人,补采示范数据,投入下一轮训练。48小时里他们迭代了7轮,补采700多条数据,把真机成功率拉到约70%,拿下二等奖。
“FDU_SONIC”战队能反复上机测试,本身就不容易。队长李新宇所在的实验室没有机械臂,几个人凑了2000元买了一台双臂机器人。中途两个舵机坏了,只能拆下零件互换着用。后来李新宇索性把行军床搬进实验室,一住将近两周。决赛期间他们边训边测,发现哪种初始摆放容易出错,就针对性地补数据,最终排在第五。
“TARS”战队把时间压在了第三项任务——双臂清扫上。前两项抓取和放置就算拿满分,也只有60分。队员注意到,赛方给的两百多条示范用的是同一种抓法,接触面小,物体容易翻转。“为什么非要这么抓呢?”他们改成抓物体边缘,丢掉原有数据重新采集。
抓法一换,真机测试又冒出新问题:机械臂伸得越远,下坠越厉害,本来要放下物体,结果变成了往前推。赛方样本里最重的物体才100克,队员找来一瓶500克的矿泉水重新测量,再按真机数据补偿偏差。最终“TARS”以82.5分拿下一等奖。
也有队伍只补了少量数据。“SST”战队额外采集13条数据,用DeepSeek解析指令,再借SAM3把目标物体以外的画面压暗,以65.87分排在第三,获得二等奖。
上海交通大学
比赛中浮现的这些问题,也指向具身智能行业绕不开的评测难题。
评测成了同期蚂蚁灵波首届开发者大会产业圆桌上的核心话题。
智源研究院院长王仲远提到,过去一两年各类模型榜单的纪录被不断刷新,可真机部署的效果常常达不到预期。比起只比分数,他更看重模型进入真实场景后,需要多少人去采数据、多少工程师参与部署,以及多久能达到预期效果。
上海交通大学副教授李永露也表示,仿真评测成本低、迭代快,在验证模型能力上有不可替代的作用,但真机评测同样少不了。真正的评测还得考虑机器人碰上电机过热、传感器失灵这类问题时,能不能继续把任务做完。这些问题只有在接近真实部署的环境里才会暴露出来。
睿尔曼智能创始人兼CEO郑随兵则把标准落到了实际应用上。在他看来,机器人有没有用,要看它能不能持续工作、需要多少人工介入、能不能创造经济价值。“用户才是最终的评测员。”
蚂蚁灵波CEO朱兴还提到,仿真、真机评测与真实部署各自检验的问题并不在同一层面。有些泛化上的不足,连前期真机评测都发现不了,往往要等到客户现场部署、再往其他场景复制时才显现出来。在朱兴看来,基础模型的评测标准应由学术界、模型厂商、场景方和中立机构一起建立。
02 为什么真机这么难?具身智能的物理世界挑战
抓偏、滑落、够不到。机器人一进入真实世界,怎么就显得“笨”了?
蚂蚁灵波首席科学家沈宇军把机器人进入物理世界面对的难点归为三重挑战:感知输入免不了带着噪声;执行动作必须和物理环境发生真实交互;现实世界不会停下来等模型推理完。
拿药房取药来说。通用大模型已经能理解要取哪盒药,也能把任务拆成几个步骤。可真正伸手去拿时,机器人还得判断药盒在什么位置、距离多远、有没有遮挡,决定从哪个方向靠过去;碰到药盒之后,还要判断抓得稳不稳、药盒有没有滑动,并随时调整动作。这些信息,从互联网数据里拿不到。
这也是蚂蚁灵波坚持“具身原生”技术路线的原因。
所谓“具身原生”,并不是把通用大模型简单塞进机器人,而是从机器人在物理世界中完成任务的实际需求出发,搭建起相应的感知、预测和执行能力。
这套体系里,每个模块都对应一个真实的物理难题。触觉就是一例,LingBot-Touch用近5000小时的真实触觉数据做预训练,把不同传感器的信号转成统一的触觉Token。
一组拉拉链实验里:在Sharpa Wave平台上,π0.5模型不用触觉信息时成功率为39%;直接输入传感器原始读数,成功率反而掉到15%;换成经LingBot-Touch处理的触觉Token,成功率则升到59%。
这说明,装了触觉传感器,不代表机器人就能用好触觉。关键在于模型能不能读懂这些信号,并据此调整动作。
眼下具身智能还在快速迭代,技术路线没有收敛,行业也还没找到明确的Scaling Law。
蚂蚁灵波CEO朱兴在大会上提醒,别因为个别热点就盲目乐观,也别过于悲观。行业仍在寻找一个关键问题的答案:到底什么样的数据,扩大规模后才能真正带来模型能力的提升?
这场48小时的比赛没给出全部答案,却提供了一个更具体的观察角度:一套模型在原团队手里表现好,只是第一步。交到陌生开发者手上后,能不能被快速理解、灵活改造,并在真机任务中经受检验,才更能体现开源的价值。
下一张真正有价值的榜单,不在模型团队自己的实验室里,而在开发者手里。