华为诺亚BEHAVIOR-1K夺冠：0.683 Q-score如何拿下第一？

冠军背后的反直觉路径

2026年11月，韩国举行的机器人顶级会议 CoRL 上，BEHAVIOR-1K Challenge 结果揭晓，华为诺亚方舟实验室具身智能团队 The North Star 摘得冠军。

这个冠军有点意思。全球57支参赛队伍中，他们在隐藏测试的100项家庭任务上拿到约0.683的Q-score，完整任务成功率则达到48.2%。去年第一届比赛，最佳完整成功率只有12%。今年参赛人数从96人涨到265人，任务难度也翻倍——从50项增至100项，场景从3个增至7个，可头部选手的表现却翻了四倍。

斯坦福大学李飞飞团队开发的 BEHAVIOR-1K 基准，被视作具身智能领域的“T0级”试金石。它不看瞬间动作，不像简单的抓取测试，而是要求机器人在几分钟内连续完成整理、清洁等长时序任务。高层推理、跨房间导航、双臂精细操作，得紧密配合起来。

李飞飞也在社交媒体上谈到这次比赛的进展，邀请更多研究者关注。不过比起排名，华为团队提交的技术报告《Scaling by Structure: What Forms Can Scaling Take in Embodied AI?》抛出了一个更值得琢磨的问题：大模型已经能写代码、用工具了，具身智能的能力增长，是否只能靠堆算力和数据？

另一种 Scaling：把经验写成代码

过去几年，AI 的主流叙事是 Scaling Law——更大的模型、更多的数据、更强的算力。这套在语言和多模态领域很奏效，但落到机器人控制上，光靠端到端的神经网络，往往显得“不可控”。

华为团队走了另一条路：积累知识、规则和操作流程。他们提出的 HiPhys-RSI（分层物理递归自我改进）框架，核心思想是把“可执行程序”当作能力积累的载体。

换句话说，系统执行动作时，不再单纯依靠黑盒式的神经网络来输出。构建、检验并改进机器人执行流水线的活，交给了一个参数冻结的编程智能体（Programming Agent）。它建立在视觉语言模型（VLM）之上，但并不直接去驱动电机，它做的是写代码。

整个过程分三步：

第一步是读取与体验。智能体阅读任务说明，参考示范视频，再通过工具调用获得初步的交互经验。哪些操作有效、步骤之间有什么依赖关系、什么样的视觉反馈意味着任务推进了一步，这些它都得知道。

第二步是构建程序。经验被组织成明确的代码逻辑：感知输出如何转化为规划指令？控制器何时执行动作？失败后如何恢复？条件逻辑把这些连接起来。生成的流水线能自主执行，遇到异常则按自身的检查分支逻辑处理。

到了第三步，就是分析和迭代。执行完毕后，智能体会去看日志和视频：从日志里能知道调用了哪些函数，从视频里能看清物理世界真正发生了什么。比如抓取指令回报的是“成功”，可视频里物体还搁在桌面上，这种对不上的地方就成了改进的线索。接着智能体会找出出问题的模块，或者改工具的实现，或者调步骤的先后，再验证一遍。

整个过程中，编程智能体和 VLM 的参数都是冻结的，不需要重新训练。改进全部存储在可执行程序和结构化知识里。有效的改进被保留下来，成为后续任务可以调用的组件。

这就好比一个老工匠，每做完一个活都复盘哪里做得不好，把心得记在小本子上。下次遇到类似情况，直接翻本子，或者在此基础上微调。任务越多，本子越厚，解决问题的能力也就越强。

100项任务的实战表现

为了验证这套思路，团队在 BEHAVIOR-1K 的仿真环境里做了全面测试。评测覆盖100项任务，分移动取物、摆放分类、精细操作、工具使用、倾倒、设备操作和物体加工等八类。

对照实验设了三组，都基于2025年冠军方案的 VLA 设置：

1. Meta-1-Epoch：在全部100项任务的示范数据上联合训练一个 epoch。
2. Per-Task Post-Training：从上述检查点出发，对每项任务独立后训练，并引入深度信息等三维输入。
3. Meta-2-Epochs：在全任务示范数据上联合训练两个 epoch。

结果显示，HiPhys-RSI 最终的混合系统在几乎所有任务上都优于这三组纯 VLA 方案。需要复杂逻辑的任务上，优势尤其明显。

有意思的是，训练轮次从1个epoch加到2个，带来的增益相对有限。逐任务后训练虽然提升了一些特定任务的表现，整体能力分布却没有本质变化。单纯靠数据喂养模型，边际效应在递减。结构化系统则通过显式分工——感知模块负责看，程序模块负责想，控制模块负责做——应对新任务时更灵活。

从“拼凑能力”到“发现策略”

结构化知识的增长不是一条直线。报告里的曲线把改进过程划成三个阶段。

头一个是快速提升期。这个阶段系统主要在拼“能力组合”。不少任务失败，原因不在某个动作不会做，而是步骤顺序搞错，或者工具挑错了。把这些配置改过来，系统很快就覆盖了大量基础任务。

接下来是平台期。好啃的骨头都啃完了，剩下的全是硬骨头。这时候再去调原有方案的参数，能拿到的收益已经很小。

最后是策略探索期。系统开始找出一些参考示范里没有的新解法。比如碰上不好抓的物体，它会先把物体姿态变一变，或者借环境支撑把操作难度降下来。

具体看几个例子：

• 锅柄难抓：锅柄被挡住、角度又刁钻的时候，机器人不再跟锅柄较劲，转去抓近侧的锅沿，让锅体保持水平，再搬到炉灶上。
• 独轮车搬运：把手被挡住时，机器人改从车轮一侧靠近，双手抓住前部车斗边缘把搬运做完。
• 喷壶启动：喷壶立着的时候很难按压，系统学会先把它放倒，再从侧面操作。
• 外卖打包：怕纸袋塌下去，机器人先把空纸袋立在盒子里，拿盒子当支撑，然后才放汉堡。

这些策略并非提前写死的，是智能体在试错中自己“悟”出来的。写进程序之后，它们就成了系统的永久知识。

暴露出的问题与局限

当然，这套办法也不是万能的。隐藏评测里，多数任务的 Q-score 出现下降，大部分降幅在0.2以内。系统有一定的跨实例迁移能力，但瓶颈仍然存在。

最疼的地方是搜索与导航。目标物体藏在看不见的位置，或者操作空间太窄，反复搜索和规划就会吃掉大量时间，最后超时。失败模式分析显示，HiPhys-RSI 主要栽在“抓取”和“超时”上，纯 VLA 基线则更多败在“放置”和“关节物体操作”上。

结构化方法还照出了评测体系的一些漏洞。比如“堆木头”任务，系统把木头两两配对接触，满足了评分规则里的“接触”条件，可预期的“堆叠”结构并没有形成。再比如在冰箱内切食物，系统拿到部分分数，后续的转移目标却没有完成。这些行为技术上“得分”了，但显然不合人类的意图。

这就提醒大家，成功的定义得再准确一些。系统能不能自己判断任务阶段和完成状态，也是一项值得单独评估的能力。

结构与模型的双向奔赴

HiPhys-RSI 有一个亮点：它没有把大模型丢掉，而是让结构化经验和模型训练互相咬合。

程序改进产生的执行轨迹（观察-动作序列），被混进基准示范数据里，用于 VLA 的逐任务后训练。也就是说，智能体探索出来的高效操作方式，变成了模型学习的新数据。训练出来的更强策略，又能反过来帮着搭建和执行流水线。

“结构+模型”这种双向协同，可能是具身智能往后走的一个重要方向。模型给的是泛化能力和感知理解，结构给的是逻辑约束和可解释性。两边一结合，纯端到端模型的不可控被绕开了，传统符号AI难以扩展的毛病也躲过去了。

华为团队这次夺冠，不只是一个排名的胜利，也是对具身智能发展路径的一次有力探索。它说明，算力之外，把知识结构化地攒起来，同样是通往通用机器人的一条可行之路。报告标题说得很直白：Scaling by Structure。结构化、可执行的知识不断积累和改进，具身系统的能力边界正在被重新划出来。