千尋Spirit v1.5模型登頂 RoboChallenge，終結 Pi0.5領跑時代

henry 發自 凹非寺
量子位 | 公眾號 QbitAI

事情開始變得有趣起來了。

剛剛，來自千尋智能的具身智能基礎模型Spirit v1.5，在RoboChallenge真機評測榜上，以總分，成功率50.33%的成績，超越美國明星公司Physical Intelligence的Pi0.5（π0.5），登頂榜首。

基于多樣化的預訓練數據采集范式，Spirit v1.5在插花、把水果放進籃子、掛牙刷杯等多項任務中，拿下第一，刷新榜單紀錄。

經此一役，Spirit v1.5不僅是RoboChallenge自去年10月上線以來，首個擊敗baseline模型Pi0.5的國產具身模型，同時也是首個在RoboChallenge上成功率超過50%的具身智能模型

在此之前，RoboChallenge榜單上，模型間的競爭已逐漸進入白熱化階段，Pi系列基線模型不斷被逼近。

而現在，Spirit v1.5直接越過Pi0.5，拿下榜首。

這種密集、連續的刷榜節奏，多少有點讓人想起當年AlexNet、VGG、GoogLeNet、ResNet刷新ImageNet的那段時間——

基準在被不斷打破，模型天花板被一再抬高。

也正如當年CV的開源景象，Spirit v1.5同步開源了基模權重、推理代碼以及使用樣例，方便后續的研究者復現和進一步探索。

而正是在這被譽為具身智能「ImageNet」的RoboChallenge上，開源模型正以可驗證、可復現的方式，持續推動具身能力向前發展。

開源具身模型能力，全球領先

截至2026年1月12日，Spirit v1.5在RoboChallenge上取得了當前最優的性能，超越了Pi0.5等之前的全球領先開源模型。

在RoboChallenge的Table30任務中，Spirit v1.5表現堪稱 “碾壓級”，不僅在下列多項任務中奪得第一：

• 插花（arrange flowers）
• 水果入籃（arrange fruits in basket）
• 掛牙刷杯（hang toothbrush cup）
• 薯條倒碗（pour fries into plate）
• 開瓶器入抽屜（put opener in drawer）
• 筆入筆盒（put pen into pencilcase）
• 尋找綠盒（search green boxes）
• 澆花（water potted plant）

還在貼膠帶（stick tape to box）、清掃垃圾（sweep the rubbish）、開關燈（turn on light switch）等任務上實現絕對領先。

其中 “尋找綠盒” 任務堪稱高光時刻——Spirit v1.5直接將成功率拉至90%

演示畫面中，它能快速從一堆彩色方塊中鎖定綠色目標，穩穩放入指定籃子，整個過程干脆利落，沒有絲毫拖泥帶水。

在水果入籃任務中，Spirit v1.5更是以80%的成功率，領先Pi0.5整整一倍。

在演示中，Spirit v1.5能夠輕松地拿起香蕉，放進籃子（下圖經5倍加速）。

而在插花任務中，雖然兩款模型成功率均 50%，但實際執行中，Spirit v1.5的穩定性碾壓Pi0.5，沒有出現極端的失敗案例。

在演示中，Spirit v1.5基本上可以穩穩地將鮮花放入花瓶。

而Pi0.5有時則會出現突然卡死的情況，從而導致任務中斷。

在最考驗技術功底的貼膠帶任務中，即便Spirit v1.520%的成功率不算特別突出，但對比Pi0.5僅10%的表現，仍實現了翻倍領先。

貼膠帶屬于典型的閉環觸覺接觸任務（機器人手指 / 夾爪間隙極小），對機械臂協同與觸覺感知要求極高，機器人經常會出現空抓的現象。

在演示中，Spirit v1.5憑借雙機械臂精準配合，能流暢完成撕膠、貼盒全流程。

而相比之下，Pi0.5雖然能很快的定位到膠帶的位置，但卻難以感知到是否撕到膠帶，頻頻出現了空貼的現象。

透過上述任務我們不難看出，Spirit v1.5在復雜長指令任務中的穩定發揮，意味著其已經進化為一個具備出色邏輯推理與空間感知能力的“具身大腦”。

而這份實力的認證，正來自具身智能領域的標桿級 “試煉場”——RoboChallenge。

RoboChallenge由Dexmal原力靈機聯合Hugging Face發起，是首個在真實物理環境中，由真實機器人執行操作的大規模、多任務基準測試。

它的Table30任務集，通過30個高頻桌面及周邊日常場景，從VLA難點、機器人形態、任務流程與物體屬性等維度考察模型真實世界通用操作能力。

考試機型覆蓋ARX5、UR5e、ALOHA、Franka、UR5等；測試任務涵蓋抓取、放置、堆疊、打開、按壓、分類等復雜動作。

除上述任務設置外，RoboChallenge它的核心創新，在于Remote Robot Paradigm（遠程機器人范式）

參賽者在本地運行模型，只需通過HTTP接口向機器人發送控制指令，機器人被視作一個可遠程調用的“外設”。

這一設計顯著降低了參賽門檻，同時避免了復雜環境配置帶來的不確定性，使不同團隊的算法能夠在同一套真實硬件條件下接受統一評測。

所有參賽者均可通過官方頁面查看比賽實況，全程保障賽事的公平與透明。

不過，由于推理發生在用戶側，模型的具體實現仍主要依賴參賽者自律與社區共識——

例如是否始終保持與所聲明方案的一致性，是否在多任務通用型模型（multi-task generalist model）的設定下，避免針對單一任務的特殊化調優。

（注：RoboChallenge區分任務特定與通用型兩種訓練協議：前者針對單一任務單獨訓練，后者用少量混合數據訓練一個多任務統一模型。榜單中帶有/multi 后綴的模型，如Pi0.5/multi，遵循的正是這一更具挑戰性的通用型設定。）

也正是在這一背景下，Spirit v1.5此次選擇同步開源，其意義不僅在于成績本身，也契合了RoboChallenge鼓勵通過可復現、可驗證的方式，共同推動具身智能基準向前發展的初衷。

那么，Spirit v1.5具體是怎么做到的呢？

數據多樣性成制勝法寶

Spirit v1.5的核心創新，主要體現在預訓練階段的數據策略上。

它將具身模型的預訓練數據，從高度精選、強控制的「干凈數據」，轉向多樣化、開放式、弱控制的數據采集范式。

這里所說的「干凈數據」，通常指動作模式相對單一、物體擺放位置與視角高度固定的精選數據集。

例如Open X-EmbodimentAgibotRoboCOIN等具身模型訓練的主流數據集。

△Open X-Embodiment

這類數據的優勢在于：數采成本低、學習難度可控；

但代價同樣明顯——動作模式的多樣性被顯著壓縮，模型對真實世界不確定性的適應能力因此受限。

針對這一問題，Spirit v1.5采取了相反的策略。

在數據采集階段，它鼓勵數采員只圍繞任務目標行動，而不強制遵循固定的動作流程。

例如，在為假人頭部化妝時，采集員并不會嚴格復現某一套標準操作，而是以更接近真實人類行為的方式自由完成任務。

這樣做的結果是采集來的數據不再是單任務、單目標的單成功軌跡。

而是在自然執行過程中，連續覆蓋了抓取、插入、整理、雙臂協作、異常處理等大量原子技能，并以真實世界的時序關系串聯在一起。

這種開放式采集顯著擴大了動作分布，使模型在預訓練階段“見過更多可能性”，從而具備更強的遷移與泛化能力。

在工程層面，這一策略同樣帶來了可觀收益：人均有效采集時長提升約200%，對算法專家深度介入的需求降低約60%

而在實驗驗證中，這種以多樣性為核心的數據策略，同樣得到了印證。

一方面，在RoboChallenge Table30的真機評測中，Spirit v1.5已經在整體能力層面證明了該范式是成立的（相關結果已在前文展開）。

另一方面，在消融實驗中，研究團隊在預訓練數據規模完全一致的前提下，對比了兩種策略：

• 基于腳本化任務演示的預訓練；
• 基于多樣化、開放式采集的預訓練。

結果顯示，多樣化預訓練的模型在新任務上的微調效率顯著更高：在達到相同性能時，所需迭代次數減少約40%

進一步擴大多樣化數據規模后，模型的驗證誤差仍在持續下降，并未出現明顯的早期飽和現象。

這些發現表明，對具身模型而言，任務多樣性比單一任務的演示數量更為關鍵

模型真正學到的，并非某個任務的最優動作序列，而是一套可遷移的通用策略，使其能夠用更少的步驟適應新任務。

由此，使用高多樣性、弱控制的數據進行預訓練不僅可行，而且顯著優于文獻中常見的利用“干凈”數據的做法。

也正因為并非針對單一任務優化，Spirit v1.5更適合作為一個通用具身智能的基礎模型被復用。

對學界而言，它提供了一條不同于Pi系列且更優的開源技術路徑。

對產業團隊而言，這種以真實世界多樣性為起點的預訓練方式，顯著降低了新場景的遷移與適配成本。

隨著模型權重與代碼同步開源，Spirit v1.5在RoboChallenge上的成績不再只是一次展示，而成為一個可驗證、可復現、可繼續推進的起點。

Spirit v1.5背后的團隊：千尋智能在做什么

最后，再把視角拉回到Spirit v1.5背后的團隊——千尋智能（Spirit AI）

成立于2024年1月的千尋智能，是一支非常“年輕”的隊伍，卻已經成長為國內少數具備AI+機器人全棧、生產力級技術能力的具身智能公司。

簡單概括，千尋的路線非常明確——通用人形機器人+具身大模型（VLA）一體推進，因此常被外界稱為“中國版 Figure”。

創始人兼CEO韓峰濤：機器人行業連續創業者，曾任珞石機器人聯合創始人兼CTO，在機器人行業擁有十余年經驗，主導交付過超2萬臺工業機器人。

聯合創始人兼首席科學家高陽：清華交叉信息研究院助理教授，“伯克利歸國四子之一”，師從具身智能權威學者Pieter Abbeel，其提出的ViLa算法被Figure采用。

在融資方面，2025年千尋智能狂攬超15億元融資，6月PreA+輪由京東領投6億元，浙江省科創母基金、華泰紫金等新勢力跟投，順為資本、華控基金等老股東更是繼續跟投。

在商業落地方面，其通用人形機器人 “小墨”（Moz1）已于2025年底在寧德時代電池產線規?；涞?，精細作業成功率突破99%，用工業級場景完成了一次硬核驗證。

而在技術路徑上，從Spirit v1攻克柔性物體長程操作，到開源「邊想邊做」的OneTwoVLA，再到如今基于多樣化真實數據采集的Spirit v1.5——

千尋始終在做一件事：把具身智能從“實驗效果”，推進到“可復現、可量產、可落地”的工程體系中。

而這次Spirit v1.5在RoboChallenge上的登頂，并不僅僅意味著一次榜單上的領先。

它更像是千尋具身智能模型快速迭代周期中，一次在同一公開基準下完成的、具有標志意義的性能對標：

在真實機器人、真實任務、統一評測條件下，對現有的技術路線進行了一次階段性驗證。

從結果來看，Spirit v1.5在泛化性、穩定性與魯棒性等系統層面的能力，已經出現了整體躍遷，而不僅是單點任務的“刷分”。

更重要的是，這一成績并未停留在展示層面。

Spirit v1.5同步開源模型權重、推理代碼和使用樣例，使得這一結果可以被復現、被檢驗、也可以被后續研究繼續推進。

正如當年ImageNet之于計算機視覺，只有在一個可復現、公正、開放的基準之上，模型能力的進步才具備真正的參考價值。

而模型的開源也進一步方便后續研究者的快速迭代優化與創新探索。

在被不少研究者視作具身智能「ImageNet」的RoboChallenge上，這次登頂既是一次能力確認，也是一種明確表態——

千尋選擇將技術進展放入開源體系之中，與社區一起，把具身智能的天花板持續往前推。

正如千尋首席科學家高陽針對Spirit v1.5在開源模型賽道斬獲全球第一時說所的：

• 它不僅是一次技術上的突破，也意味著我們在追尋智能的道路上，再次站到了當下人類智能所能企及的高度之一。更重要的是，這個模型是開源的。我們選擇把它交到更多人手中，讓大家一起使用、一起驗證、一起推進這條路。智能不應該被少數人壟斷，而應該被共同建設。

開源地址：
Code: https://github.com/Spirit-AI-Team/spirit-v1.5
Model: https://huggingface.co/Spirit-AI-robotics/Spirit-v1.5
Blog：https://www.spirit-ai.com/en/blog/spirit-v1-5