最大规模具身大模型挑战赛落幕,48 小时真机总决赛比出了什么?
开发者围绕同一块基础模型进行实验,让模型直面成功的方法、失败的经验和真实世界的问题。作者|Li Yuan编辑|郑玄最大规模具身大模型挑战赛总决赛结果出炉,排名第三的队伍 SST 只额外采集了 13 条数据。他们没有大量补数据,而是让 DeepSeek 先理解任务,再用视觉分割模型标出目标物体,最后交给 LingBot-
最大规模具身大模型挑战赛总决赛结果出炉,排名第三的队伍
他们没有大量补数据,而是让 LingBot-VLA 2.0 完成动作,并在真机评测中拿到 65.87 分。
通用大模型与
11 月 16 日,首届蚂蚁灵波具身大模型挑战赛在上海张江收官。经过线上初赛,15 支战队进入为期 48 小时的线下总决赛。所有队伍使用同一款开源模型 LingBot-VLA 2.0、同一款
起点相同,解法不限:有人重采数据,有人调整模型的训练和推理方式,也有人接入通用大模型、视觉分割或仿真工具。48 小时里,15 支队伍要回答的是同一个问题:面对真实桌面上的物体,怎样让已有的模型把这件事做成?
01
当胜负开始取决于如何使用数据
纵观整场比赛,有一点十分有趣:几乎每支队伍都提到了数据工程的重要性。
LingBot-VLA 2.0 已经具备基本的视觉理解、指令理解和动作生成能力。参赛者不必在 48 小时里重新训练一个机器人大脑,而可以直接判断模型已经会什么、会在哪些情况下失败,再决定应该补什么数据、怎样训练。
冠军团队
他们把更多时间和数据留给了最难的双臂清扫。簸箕抓取不稳,团队便重新选择抓持位置并补采数据;机械臂伸远、负重后会下坠,他们又测量不同负重下的偏差,对动作进行补偿。此外,团队还将单步训练时间从约 15 秒压缩到 3.4 秒,为现场迭代争取时间。最终,
排名第三的
获得第二名的
资源有限的
四支队伍使用同一款模型,却做出了完全不同的数据选择。
真正拉开差距的,也不再是谁采集的数据更多,而是谁更理解 LingBot-VLA 2.0 已经具备的能力,能够用最合适的数据和工具把它释放出来。
基础模型越强,开发者越不需要重复建设底层能力,也越能把时间花在过去只有完整机器人团队才有机会解决的真机问题上。
02
同一道题,
数据之外,15 支队伍本身的背景,也很值得一看。
进入决赛的 15 支队伍中,有长期研究机器人的学生和工程师,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。对其中一些人来说,这甚至是第一次接触机械臂、
「416 一定行」的两名队员此前从事搜索推荐和多模态算法工作,刚刚毕业,也是第一次接触机器人仿真和真机调试。他们最初沿用互联网算法中常见的思路,通过补充数据和
团队进一步分析后判断,视觉模块过度学习了比赛数据,损失了 LingBot-VLA 2.0 原有的开发者不仅要教会模型处理新任务,还要避免在微调过程中破坏它已经拥有的能力。
来自大模型评测领域的「今天也要好好检东西」,看到的则是另一个问题。团队习惯先拆解任务、设计评价标准,再寻找失败发生在哪个环节。比赛中,他们让视觉语言模型负责理解环境和规划步骤,再由 LingBot-VLA 2.0 执行动作,同时搭建
但到了真机现场,仿真桌面与真实桌面存在约 5 厘米的尺寸偏差,原本设计好的动作因此失效。这次失败并非毫无价值:它直接暴露了具身智能与纯软件开发的区别。数字环境中的方案可以精确复现,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。通用模型降低了进入门槛,却不会自动抹平仿真与现实之间的距离。
更熟悉 AI 基础设施的团队,首先想到的则是加快训练。「持续知行」将单步训练时间从约 15 秒压缩到 4 秒,并在 48 小时内测试了约 30 个
还有自动驾驶从业者把
这些方案并非都取得了理想成绩,但对第一次接触机械臂的人来说,能在 48 小时里把自己行业的方法搬上真机试一遍,本身就说明门槛在降。
03
具身智能还没找
自己的 Scaling Law
回到开头的
最近一段时间,随着
在大赛同日举行的蚂蚁灵波首届开发者大会上,CEO 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。」 对蚂蚁灵波来说,
过去几年,机器人本体、关节、
这也说明,具身智能的技术范式还远未收敛。此时真正稀缺的,不只是某一个应用,而是更多人围绕同一块基础模型进行实验,把成功的方法、失败的经验和真实世界的问题带回来。
朱兴
「目前看 VLA、「不要盲目乐观,但也没必要过于悲观。」
比如这次比赛中,LingBot-VLA 2.0 已经开始承担机器人大脑这一层的基础能力:让开发者不必从零搭建视觉、语言和动作系统,而是可以直接在已有模型上训练、优化和部署,让机器人可以更好地在真实世界干活,这也是蚂蚁灵波开放模型、组织统一真机评测的意义所在。