開源“裸考”真實世界，國產(chǎn)具身智能基座模型拿下全球第二！

嘻瘋 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

國產(chǎn)具身智能基座模型，再次突破！

RoboChallenge真機評測榜單上，來自自變量機器人的端到端具身智能基礎模型WALL-OSS，以總分54.69、成功率35.33%的成績，超越美國具身智能明星公司Physical Intelligence的pi0（π0），排名全球第二。

在疊洗碗巾、掛口杯、按按鈕、澆盆栽、移物入盒、開瓶器進抽屜等多個單任務中，WALL-OSS均拿下單項第一

要知道，這可不是一場普通的測試。

RoboChallenge由Dexmal原力靈機聯(lián)合Hugging Face發(fā)起，是首個在真實物理環(huán)境中，由真實機器人執(zhí)行操作的大規(guī)模、多任務基準測試。

與LLM測評不同，具身模型測評更像是一場“開卷考”，任務描述和場景環(huán)境都是提前公開的。

參賽方無需提交模型權(quán)重，只需提供可驅(qū)動機器人的算法；最終，平臺通過統(tǒng)一的真機執(zhí)行，以動作視頻和任務完成率作為評分依據(jù)。

格外關鍵的是，WALL-OSS是一個開源模型

相較于閉源模型的測評結(jié)果存在較大操作空間（其性能可能源于對第三方模型的微調(diào)、接口層的特殊適配，或者存在黑箱內(nèi)的未公開優(yōu)化），模型本身的原生能力不容易被外界驗證，開源模型的成績建立在完全透明的代碼與參數(shù)之上，其能力可被任何研究者復現(xiàn)、檢驗和深入研究

而且，WALL-OSS的開源程度也相當徹底：不僅開放了預訓練模型權(quán)重、完整訓練代碼和數(shù)據(jù)集接口，甚至還提供了詳盡的部署文檔。僅需RTX 4090級別的消費級顯卡，就可以完成從訓練到推理部署的完整流程。

另外，當前榜單前三名，包括pi0、pi0.5，也都是來自開源體系

具身智能的前沿發(fā)展，正在由開源模型共同推動向前。

“機器人腦”物理世界大PK

下面先具體來看WALL-OSS在測試中的實際表現(xiàn)。

RoboChallenge首發(fā)的Table 30任務集，包含30個真實日常操作任務，而在行業(yè)常見的真機評測中，任務數(shù)量通常只有3–5個。

該任務集從四個維度構(gòu)建評估體系：VLA方案難點、機器人類型、任務場景環(huán)境、目標物體屬性，覆蓋了具身模型在真實世界中可能遇到的多樣復雜情況。

以難度較高的“疊抹布”任務為例，WALL-OSS目前位列該單項第一。

在該任務中，WALL-OSS以41分的成績領先pi0。盡管其任務成功率仍只有10%，但已是當前所有參賽模型中的最優(yōu)表現(xiàn)；相比之下，pi0在該任務中的成功率為0%，僅獲得部分步驟分。

RoboChallenge平臺集成了UR5、Franka Panda、Aloha、ARX-5等多款主流機器人，用于遠程真機評測。

并且，其公開了所有任務演示數(shù)據(jù)及測試中間結(jié)果，所有人都能看到機器人執(zhí)行任務的全過程監(jiān)控記錄。

打開任務執(zhí)行詳情，可以看到左側(cè)上方是多視角視頻畫面，展示了任務現(xiàn)場的實際場景，能直觀看到機器人的操作過程

右側(cè)上方的arm圖表，記錄了機械臂6個關節(jié)（joint1–joint6）的角度變化，曲線波動對應關節(jié)運動；右側(cè)下方的arm_gripper圖表，則記錄了夾爪的開合狀態(tài)。

最右側(cè)信息欄則展示任務ID、執(zhí)行時長等基礎信息。

底部時間軸可以精準定位某一時刻，同步查看該時間點的視頻畫面與機械臂/夾爪狀態(tài)，快速找到動作異常的環(huán)節(jié)。

從公開視頻中可以看到，WALL-OSS成功完成了抹布的一次抓取與對折操作：

在相對簡單一些的“連續(xù)按下三個按鈕”任務中，WALL-OSS的優(yōu)勢更加明顯，得分顯著領先其它模型。

實際操作be like（以下展示均為加速畫面）：

在“將不同形狀雜物收納至筐中”的任務里，WALL-OSS同樣表現(xiàn)穩(wěn)定：

該任務中，無論是得分還是成功率，WALL-OSS都高于pi0。

在“拉開抽屜并放入雜物”等需要連續(xù)規(guī)劃與空間判斷的任務中，也能看到其完整完成操作流程：

值得一提的是，RoboChallenge的真機測試規(guī)則本身并未限制模型進行針對性優(yōu)化或微調(diào)。開發(fā)者可以使用官方提供的任務示范數(shù)據(jù)對模型進行訓練。

模型訓練完成后，需對接平臺標準化API。平臺提供統(tǒng)一的框架代碼，參賽方僅需補充自身邏輯，確保模型實現(xiàn)觀察-推理-停止的完整交互閉環(huán)，并可通過模擬測試進行驗證。

評估請求進入人工調(diào)度隊列后，任務將在真實場景中執(zhí)行，最終結(jié)果由平臺自動發(fā)布。

也正是在這樣的規(guī)則下，開源模型的成績，含金量才顯得尤為突出。

目前，自變量團隊已表示，WALL-OSS提交的復現(xiàn)結(jié)果示例，微調(diào)代碼和模型權(quán)重也將在近期全部開源。除檢驗測試結(jié)果的真實性，開發(fā)者們也可以在平臺上根據(jù)源代碼和各個任務的微調(diào)代碼，結(jié)合自己的數(shù)據(jù)完成復現(xiàn)微調(diào)。

接下來問題來了，WALL-OSS是如何做到的？

拆解背后技術突破

在模型的具體實現(xiàn)層面，官方已發(fā)布技術報告，對WALL-OSS的設計思路與訓練路徑進行了系統(tǒng)披露。

從視覺語言模型（VLM）走向視覺語言動作模型（VLA），并不是一次簡單的能力疊加。

在這一遷移過程中，行業(yè)普遍面臨兩大核心挑戰(zhàn)：

其一是災難性遺忘。VLM在向動作生成擴展時，往往會犧牲原有的語言理解與視覺推理能力，導致模型“會動了，卻不再真正理解任務”。

其二是模態(tài)解耦。不少模型雖然表面上同時具備視覺、語言與動作模塊，但各模態(tài)之間協(xié)同不足，推理、規(guī)劃與執(zhí)行往往割裂存在，難以形成真正端到端的決策閉環(huán)。

這也直接導致了一個現(xiàn)實困境：認知能力強的模型，動作精度往往不足；而動作控制表現(xiàn)穩(wěn)定的模型，又難以承擔復雜任務的理解與規(guī)劃。

如何在模態(tài)統(tǒng)一、動作精度和能力泛化之間達成平衡？是VLA模型設計中最具挑戰(zhàn)性的問題之一。

針對上述問題，WALL-OSS首先在模型架構(gòu)層面進行了重構(gòu)。

不同于傳統(tǒng)多模態(tài)模型常見的“模塊拼接”方案，WALL-OSS采用了共享注意力+專家分流（FFN）的架構(gòu)設計。語言、視覺與動作信息被嵌入到同一表示空間中，通過共享注意力機制實現(xiàn)深度跨模態(tài)交互；同時，再借助專家FFN對不同任務需求進行高效分流計算。

最終，模型得以在統(tǒng)一框架下同時承擔理解、規(guī)劃與動作生成任務，形成緊耦合的認知—行動閉環(huán)。

在訓練策略上，WALL-OSS設計了“啟發(fā)階段（Inspiration）→整合階段（Integration）”的階段式范式

啟發(fā)階段通過具身VQA、指令跟隨等任務強化空間推理，結(jié)合FAST tokenization離散動作訓練，讓模型保留原有認知能力的同時，建立空間與動作基礎認知。

隨后，整合階段聚焦連續(xù)動作建模，先凍結(jié)VLM僅訓練Action FFN下的流匹配（Flow Matching）頭，精修高頻動作生成。

最終，解凍VLM聯(lián)合優(yōu)化，將認知能力與動作執(zhí)行能力在同一模型中穩(wěn)定整合。

這種“先離散、后連續(xù)、再聯(lián)合”的訓練路徑，讓VLM的語言視覺能力能夠無損地遷移并擴展到物理動作層面，避免了傳統(tǒng)端到端訓練中常見的能力塌縮問題。

結(jié)果是，模型既保留了懂任務的認知深度，又具備了會執(zhí)行的動作精度。

在此基礎上，WALL-OSS進一步將思維鏈（Chain-of-Thought）能力內(nèi)化到具身決策過程中。

WALL-OSS構(gòu)建了一套統(tǒng)一的跨層級思維鏈框架：從指令理解，到中間推理，再到子任務拆解與規(guī)劃，最終映射為連續(xù)的物理動作執(zhí)行。

這一機制使模型能夠在高層語義決策與底層動作控制之間自由切換，在同一可微分框架內(nèi)完成跨抽象層級的推理與執(zhí)行。

因此，在面對未知環(huán)境或從未見過的任務組合時，WALL-OSS不再依賴預設流程，而是能夠自主拆解問題、逐步思考，并在執(zhí)行過程中動態(tài)調(diào)整策略，從而具備了承擔長程、復雜具身任務的能力。

實驗結(jié)果顯示，在Embodied VQA基準測試及6類機器人操作任務中，WALL-OSS均表現(xiàn)突出。

開源破壁，真正推動具身智能發(fā)展的路徑

最后再來介紹一下WALL-OSS背后的團隊——自變量機器人

這是一家成立時間不長、但在具身智能領域推進速度極快的明星公司。核心團隊長期深耕機器人與多模態(tài)智能方向，并明確將“通用具身智能基座”作為長期目標。

創(chuàng)始人兼CEO王潛，本碩畢業(yè)于清華大學，后在美國南加州大學攻讀博士，從事Robotics Learning相關研究。他在神經(jīng)網(wǎng)絡注意力機制相關研究領域較早開展探索，是較早將Attention思想引入神經(jīng)網(wǎng)絡體系的研究者之一。

聯(lián)合創(chuàng)始人兼CTO王昊，為北京大學計算物理博士，曾任職于粵港澳大灣區(qū)數(shù)字經(jīng)濟研究院（IDEA研究院），擔任大模型團隊負責人，曾帶領團隊發(fā)布過多個開源大模型，在基礎模型與系統(tǒng)工程層面具備深厚積累。

目前團隊已完成多輪融資。幾個月前，剛宣布了近10億元A+輪融資，阿里云、國科投資領投，國開金融、紅杉、渶策、美團、聯(lián)想之星、君聯(lián)資本均有參與。

相比單一場景或垂直應用，自變量團隊更關注如何構(gòu)建一個可以被反復驗證、持續(xù)演化的“機器人通用大腦”

也正因為如此，WALL-OSS從一開始就被定位為面向真實物理世界、端到端統(tǒng)一的基座模型，而不是為某個Demo、某個任務定制優(yōu)化的解法。

如果僅從榜單成績來看，WALL-OSS已經(jīng)足夠亮眼。但真正值得被反復討論的，并不是名次本身，而是它選擇以開源的方式，參與真實物理世界的能力驗證

在RoboChallenge這樣的第三方測評中，WALL-OSS的表現(xiàn)很難被簡單歸因為調(diào)參、特化或運氣好。它更像一次赤裸而直接的證明：一個開源的、可復現(xiàn)的具身基礎模型，確實可以在真實世界任務中具備很強的競爭力

而把視角拉遠一步，長期以來，具身智能領域一直存在一個結(jié)構(gòu)性矛盾：

真正有想法、有算法能力的高校與中小團隊，往往缺算力、缺數(shù)據(jù)、缺機器人；而具備資源的大公司，又很難把底層能力完全開放出來，供行業(yè)共同驗證和改進。

在這樣的背景下，一個可以在消費級顯卡上完成訓練、推理和部署的開源具身模型，在行業(yè)中的意義就不僅是共享成果，而是彌補了行業(yè)空白，實質(zhì)性地降低整個行業(yè)的創(chuàng)新門檻

研究者不必從零構(gòu)建，創(chuàng)業(yè)團隊不必重復造輪子，更多精力可以投入到真正有價值的問題上，比如：如何提升泛化能力？處理更長程、更復雜的任務？如何讓機器人在不可控環(huán)境中更可靠地工作？

這正是開源生態(tài)最理想的狀態(tài)，不是把精力消耗在基礎設施的重復建設上，而是在同一個高起點上競爭真正的創(chuàng)新

正如自變量機器人聯(lián)合創(chuàng)始人&CTO王昊曾在硅谷101播客中所說：

我一直都覺得開源是非常重要的事情，開源意味著我們可以站在巨人的肩膀上繼續(xù)前進。我們可以基于已有成果做更多的改進，社區(qū)開發(fā)者的反饋也會幫助到開源的公司，開源公司可以從中吸取到經(jīng)驗，然后把這個技術路線思考得更加深入。

而對自變量自身而言，選擇開源同樣不是一筆短期收益最大化的生意。

在多次訪談中，自變量團隊反復強調(diào)，他們并不把開源視為一次技術展示或品牌露出，而是將其視為一種“行業(yè)基礎設施”的長期投入

他們更關心的是，這個模型是否足夠先進，足夠稀缺，從而足夠有資格成為“基座”；或者模型又能否真的能被社區(qū)用起來，經(jīng)得起復現(xiàn)、質(zhì)疑和改造，在真實世界的任務中不斷暴露問題，最終通過生態(tài)的反向推動，從而完成自我迭代與進化。

在具身智能這樣一個高度依賴真實世界反饋的領域，沒有什么比開源社區(qū)的持續(xù)檢驗更殘酷、也更有效

社區(qū)會放大模型的優(yōu)點，也會毫不留情地揭示它的短板。而正是這種持續(xù)地被使用、被對抗、被改造，才有可能推動模型真正走向成熟。

從這個角度看，WALL-OSS的開源，本質(zhì)上是一種姿態(tài)——愿意把模型交給世界，用真實應用來檢驗技術路線是否成立

具身智能的長期發(fā)展中，擁抱開源，或許不是理想主義，而是一條繞不開的現(xiàn)實路徑。

至少，WALL-OSS已經(jīng)用一次真實世界的大考，給出了一個有分量的示范答案。

最后話說回來，以后打榜是不是要給開源和閉源搞個分賽道？裸奔的，和穿著絨褲、棉褲、毛褲、秋褲、打底褲的相比，到底是不一樣。