武显瑾EVA战队:48小时如何把实机成功率从10%做到70%?

资讯 腾讯网 作者:腾讯科技 全文 3168 字 · 约 8 分钟读完 分类大模型数据

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...

所属频道 模型发布

“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。

本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关推荐 按相关度与热度排序

全部资讯 →
  1. DeepSeek免费额度被指收紧:长对话、每日用量、单次输入均受限

    国产大模型DeepSeek的免费使用额度疑似遭到限制。11月16日,“DeepSeek使用额度已达上限”登上微博热搜。不少用户在社交媒体上反映,DeepSeek对App及网页版的使用额度进行了调整,包括限制长对话、每日使用额度以及单次文字输入长度。截至发稿,DeepSeek尚未对此作出官方回应。值得注意的是,DeepS

    来源 腾讯网
  2. 蚂蚁灵波具身大模型挑战赛:15支战队48小时教机器人做家务

    一只机械臂夹着小刷子,另一只夹着黄色簸箕。绿色桌面上散落着红黄纸团,旁边摆着收纳筐。两名选手站在设备旁,低头操作,其中一人俯下身,看着面前的机械臂。这是首届蚂蚁灵波具身大模型挑战赛留下的一张现场照片。比赛要求机器人把桌面垃圾扫进簸箕,再倒进筐里。选手的手边摆着笔记本电脑,身前是机械臂和线缆,桌上则是...

    来源 腾讯网
  3. 蚂蚁灵波具身大模型挑战赛:TARS战队夺冠,1855支队伍报名

    11月16日,首届蚂蚁灵波具身大模型挑战赛总决赛结果出炉。由福田实验室、西北工业大学、普渡机器人、天津大学五位选手组成的"TARS"战队获得一等奖;华中科技大学、清华大学深圳研究院、湖北元一智能三位选手组成的"EVA"战队,以及天津大学、北京大学、中国科学院自动化研究所三位选手组成的"SST"战队获得二等奖;"Vida

    来源 AI 行业观察
  4. 中信建投:物理AI将成AI下一波浪潮,机器人是极佳物理载体

    11月17日,中信建投研报称,北美巨头加速布局,OpenAI对独立机器人团队进行架构重构。GPT-6惊艳效果有望加速产业核心具身大脑发展,Apple、OpenAI、Meta入局,Tesla推进量产,进一步明确产业趋势。OpenAI对独立机器人团队进行架构重构,主要系通用模型在机器人控制上展现出较强潜力,中长期看AI大模

    来源 腾讯网
  5. 奥特曼谈黄仁勋:很难想象没有他的AI革命

    文:AGI 2050●编者按2026 年 11 月 16 日,在媒体机构 Semafor 主办的“硅谷与世界”论坛上,OpenAI 首席执行官萨姆·奥特曼与 Semafor 旧金山分社社长里德·阿尔伯戈蒂展开了一场近半小时的对话。这场对谈发生在一个行业变化密集的时间节点:英伟达创始人黄仁勋近期陷入董事会罢免风波;大模型

    来源 腾讯网
  6. 阿里发布Qwen4并上线Qwen4-Max:Token减半、得分升近28%

    阿里巴巴11月16日正式发布全新一代基座大模型 Qwen4,千问 AI 平台首发上线 Qwen4-Max,API 服务与 Token Plan 同步开放。模型采用基于 Qwen 稀疏注意力(QSA)的全新 MoE 架构,总参数2.4T,具备原生视觉与长程任务稳定交付能力,支持百万上下文,可调用专业工

    来源 AI 开发者社区
  7. 阿里发布Qwen4,千问平台首发Qwen4-Max:Token减半、得分涨近28%

    11月16日,阿里发布新一代基座大模型Qwen4,千问AI平台首发Qwen4-Max,API与Token Plan同步开放。该模型采用Qwen稀疏注意力MoE架构,总参数2.4T,支持百万上下文、原生视觉与长程任务稳定交付,可调用工具并分阶段交付;评测中同档位较上代提升。

    来源 AI 产业速递
  8. MIT六项技术承诺兑现几何?认知永生离现实还有多远

    MIT Technology Review的“The Download”栏目聚焦两大话题:六项曾承诺改变世界的技术如今进展如何,以及人类对“认知永生”的探索。文章提出,衡量技术进步应看真实部署而非宏大宣言;而借助大模型构建数字分身等技术,正让“认知永生”从科幻走向现实,但也带来身份与伦理的深层拷问。

    来源 AI 科技快讯
  9. OpenAI开放训练内测:六研究员驻场四月查模型自毁机制

    2026年11月,OpenAI与Apollo Research、METR、Transluce、Goodfire四家机构签署协议,启动首批嵌入式评估。Apollo Research将派六名研究员进驻四个月,调查模型是否会主动破坏自身或后继模型的安全机制。这是AI行业首次将独立评估方的权限延伸至训练代码、数据集与

    来源 AI 科技快讯
  10. OpenAI开放训练环节:四家机构入驻,六名评估员查AI颠覆行为

    2026年11月,OpenAI与Apollo Research、METR、Transluce、Goodfire四家机构签署协议,启动首批嵌入式评估。Apollo Research将派六名研究员进驻四个月,调查模型是否会主动破坏自身或后继模型的安全机制。这是AI行业首次将独立评估方的权限延伸至训练代码、数据集与中间检查点

    来源 AI 行业观察
  11. 谷歌 Gemini4Carbon 入驻 WorkBuddy,百万 Token 上下文向 Pro 用户开放

    腾讯 WorkBuddy 国际版于11月15日宣布正式接入谷歌 Gemini4Carbon 大模型,面向复杂推理和长周期任务处理场景提供模型支持,目前仅向 Pro 计划用户开放。 Gemini4Carbon 是谷歌面向长周期智能体工作流推出的模型,适用于复杂知识工作、软件工程、网络安全及科学推理等任

    来源 AI 开发者社区
  12. 腾讯WorkBuddy接入Gemini4Carbon:百万Token上下文向Pro用户开放

    腾讯WorkBuddy国际版11月15日宣布接入谷歌Gemini4Carbon大模型,面向复杂推理和长周期任务,目前仅向Pro计划用户开放。该模型面向长周期智能体工作流,适用于复杂知识工作、软件工程、网络安全及科学推理,支持文本、图像、音频和视频多模态输入,输入输出合计上下文窗口最高达100万Token。

    来源 AI 产业速递
  13. MIT追踪六项技术:自动驾驶、核聚变与认知永生走到哪一步了?

    MIT Technology Review的“The Download”栏目聚焦两大话题:六项曾承诺改变世界的技术如今进展如何,以及人类对“认知永生”的探索。文章提出,衡量技术进步应看真实部署而非宏大宣言;而借助大模型构建数字分身等技术,正让“认知永生”从科幻走向现实,但也带来身份与伦理的深层拷问。

    来源 AI 行业观察
  14. 百望股份CEO王强宇:AI财税产品如何落到任务链上

    企业把大模型接进产品之后,新的经营问题才刚刚展开。客户提出一项任务,系统能拿到哪些信息,由谁核准结果,出现例外时如何处理,都会影响AI能否持续投入使用。产品演示中的能力,需要经由完整的服务过程才能转化为客户价值。 王强宇出任百望股份首席执行官(CEO),为观察这项变化提供了一个具体切口:王强宇如何将百望的财税场景积累转

    来源 AI 行业观察
  15. 苹果测试Apple Intelligence每日额度,iCloud+订阅可扩容最高20倍

    苹果正测试为 Apple Intelligence 云端 AI 设每日额度。iOS 27.3 Beta2 等测试版及支持文档显示,高算力服务器端任务将不再免费无限使用。限额覆盖新版 Siri、相册智能修图(消除、扩图、空间重构)、Image Playground、快捷指令云端大模型及接入私有云的第三方应用。日常设置等轻

    来源 AI 产业速递
  16. 书生-S2.1 Flash开源:科研任务推理成本仅星河十分之一

    近日,上海AI实验室发布并开源书生科学多模态大模型 S2.1 Flash(简称书生-S2.1 Flash)。模型融合实验室近期一系列前沿原创技术,在科学数据理解、复杂科研任务闭环执行能力上实现进阶,且同一任务下其推理成本仅为智能体模型书生·星河的十分之一,让科研工作提质、提速、提效,实现多快好省。

    来源 AI 开发者社区
  17. 黄仁勋辞任后奥尔特曼首度发声:称其为英雄,但英雄也有缺点

    【TechWeb】11月17日消息,在英伟达创始人黄仁勋突然辞任数日后,OpenAI首席执行官萨姆·奥尔特曼打破沉默。他没有选择站队,也没有回避。奥尔特曼的表态:敬意、共情与留白当地时间11月16日,在旧金山Semafor“硅谷与世界”大会上,奥尔特曼用一句“英雄也有缺陷”定义了自己对这位昔日偶像的复杂立场,同时将更重

    来源 腾讯网
  18. 阿里上线Qwen4-Max:原生视觉+百万上下文,总参数2.4T

    11月16日,阿里巴巴正式上线新一代基座大模型Qwen4-Max,总参数2.4T、激活参数71B,具备原生视觉能力并支持百万上下文,采用基于Qwen稀疏注意力(QSA)的全新MoE架构,每个Token激活参数较上代减少25%。

    来源 凤凰科技
  19. NICT OptiMer:不重训模型,如何快速锁定最优数据配比?

    大模型训练中,数据配比调优通常意味着昂贵的从头重训。日本信息通信研究机构(NICT)团队在EMNLP 2026获奖论文中提出OptiMer方法,通过合并“分布向量”来搜索最优数据比例。该方法将试错效率提升15至35倍,且在C-Eval、MMLU等基准测试中得分高于传统混合训练。文章解析了其技术原理、实验效果及在构建日语

    来源 AI 应用前沿
  20. AI漫剧报价跌到每分钟40元:一天交付一部剧

    行业变天,AI漫剧制作价格骤降至原来的五分之一 “AI漫剧承制报价,每分钟40元。一天交付一部剧” 进入2026年11月,有公司开始在各大AI漫剧行业群给出每分钟40元的承制报价,并承诺一天交付一部剧。这在多个漫剧行业群引发了密集讨论。 AI漫剧行业对降价并不陌生。平台加快布局,大模型持续迭代,制作价格也在不断走低。据

    来源 AI 行业观察
向下滚动自动加载更多