衡宇 发自 凹非寺
量子位 | 公众号 QbitAI
具身智能的“ChatGPT时刻”与工程鸿沟
何时迎来具身智能的爆发点？当开发者仅需通过一行API即可指挥机器人执行复杂指令时，答案或许已现端倪。GPT-6 Astra等前沿模型展现了惊人的通用能力，证明AI潜力远未触及天花板。
然而，现状呈现出鲜明的反差：AI模型如同高性能超跑引擎，但将其指令转化为物理动作的工程底座（Infra）却仍如坑洼土路。模型能力越强，对完善、易用的具身Infra需求越迫切，以承接算法的每一次跃迁。
近期，逐际动力发布开源工程底座FluxVLA Engine的第二版技术报告。相较于首版，V2版本重点引入在线强化学习后训练实验，并大幅扩展了仿真评测与真机部署的覆盖范围。
报告显示，在仿真侧，14种策略接入同一套LIBERO闭环评测体系；在RoboCasa GR-1、RoboTwin与RoboDojo平台上，各有8种策略完成接入测试。在推理端，针对8组模型与设备组合的实测表明，优化后的模型推理路径频率提升2.31至9.64倍。此外，报告完整验证了从模型checkpoint直达ALOHA、Rebot、双臂Franka及全尺寸人形机器人LimX Oli等真机平台的闭环执行链路。
告别“作坊式”研发：构建标准化工业产线
具身智能研发长期面临高成本、高人力的困境，核心原因在于缺乏统一标准件，导致每个新实验往往沦为一次性工程。FluxVLA Engine旨在将这种“作坊式”重复搭建升级为标准化工业流水线。逐际动力创始人兼CEO张巍将其比喻为“模型的生产线”。
为实现这一目标，该底座围绕四项核心工程原则进行架构设计：
统一配置（All-in-one）：通过一套配置单统管数据、模型、训练、评测与部署，摒弃分散脚本。
模块解耦：利用注册表和标准接口，将视觉语言骨干、动作头、数据集与训练策略模块化，支持自由组合。
面向部署的系统优化：在设计初期即集成推理加速、RTC（实时动作分块协调）和轨迹后处理，确保工程落地性。
实验可复现：完整封存实验配置、模型状态和执行轨迹，确保研发过程可追溯。
自今年4月开源以来，FluxVLA Engine保持高频迭代，从最初的“能训练、能评测”演进至“能上真机、能数据回流”。其迭代历程包括支持LimX Oli人形机器人全身移动操作、兼容GR00T N1.7、扩展RoboDojo评测等关键节点。
打通训、评、部署全链路的技术突破
面对技术路线的快速收敛与震荡，FluxVLA Engine通过底层工程基建与上层算法解耦，提供“以不变应万变”的工程底座，主要从数据模型、在线强化学习、细粒度评测三个切面实现突破。
数据与模型的标准化整合
在数据层面，平台将不同来源的原始轨迹进行显式转换与标准化清洗，整理为兼容LeRobot规范的结构（含Parquet文件、视频及元数据），并对齐相机顺序、动作表达及归一化统计。此举显著降低了核心数据资产的贬值风险，提升了复用效率。
在模型层面，平台深度集成Qwen-VL、GR00T、π系列及DreamZero等主流架构。不同模型保留原生骨骼的同时，可通过统一接口无缝接入全流程。报告显示，14种主流策略（含紧凑型VLA、流匹配策略、世界动作模型及API调用的GPT-6 Astra等）同台评测，其中11个本地策略在LIBERO上的平均成功率超过95%。
在线强化学习（Online RL）的工程化落地
仅依赖模仿学习（SFT）的模型在面对突发状况时表现受限。FluxVLA Engine通过集成RLinf，解决了在线强化学习中环境交互、策略更新与分布式串联的工程复杂性难题。兼容的流匹配策略可直接进入在线交互训练流程。
实验数据显示，经过40个外层迭代的PPO后训练，SmolVLA在LIBERO-10任务上的平均成功率从66.2%提升至76.2%，在RoboTwin Clean十项任务上从45.9%提升至61.3%，分别增长10.0和15.4个百分点。这证明了小参数模型在闭环试错中具备巨大潜力。
显微镜式细粒度评测体系
V2报告扩展了仿真评测维度。RoboTwin新增8种策略接入，提供Clean与Random两种环境设置对比；RoboDojo对8种策略进行涵盖42个任务、单模型高达2100次试验的全面测试，并从泛化、记忆、精度、长程任务和开放指令五个维度生成“能力雷达图”。
这种可追溯的评测体系能够精准定位失败原因（如视觉感知、长程规划或精细控制问题），减少盲目增加数据或算力的无效返工，实质性地降低研发成本。
跨越仿真到真机的部署壁垒
为解决模型预测与机器人执行之间的时间不同步及动作不连续问题，FluxVLA Engine推出了一套系统工程组合拳。
极致推理优化：速度提升近10倍
在不改动模型权重的前提下，通过对GR00T、π0.5等模型进行底层推理重构，消除冗余计算。实测显示，在NVIDIA A100上，π0.5推理频率从2.20Hz提升至21.2Hz（提升9.64倍）；在AGX Orin 64GB上，GR00T从3.20Hz提升至7.40Hz。数值对齐测试表明，加速后动作输出余弦相似度超过0.99999，几乎无精度损失。
实时动作分块协调（RTC）：确保动作平滑
引入RTC机制，利用上一段动作剩余部分约束新预测动作起始点，消除突变。结合轨迹后处理模块的平滑滤波与运动学约束，确保下发指令满足物理边界，实现类人的丝滑操作。
双层解耦接口：实现跨本体迁移与数据回流
真机部署采用Runner（负责推理与调度）与Operator（负责传感器与控制）分离的双层接口设计。不同机器人只需适配Operator即可接入同一流程，大幅降低迁移成本。
实测数据显示，π0.5在ALOHA六项任务中成功率达72.22%；GR00T N1.7在双臂Franka五项任务中成功率达88.00%。在LimX Oli人形机器人箱体搬运任务中，π0.5完成全部四阶段的比例达33.33%，验证了全身移动操作链路的贯通。
此外，平台内置“人在环（Human-in-the-loop）”模块，支持人类实时接管纠偏并自动采集数据。相关研究表明，采用优势加权行为克隆后，任务成功率可从62.1%提升至99.4%，吞吐量显著提升，真正实现了数据飞轮的转动。
结语：重塑具身智能竞争逻辑
FluxVLA Engine提供了一套覆盖具身研发全生命周期的标准化工程方案。随着FluxBisim、FluxDAgger等后续生态组件的发布，逐际动力正致力于构建包含数据、仿真、交互、评测和部署五大关口的完整生态。
GPT-6 Astra等通用模型的出现警示行业，具身智能的竞争逻辑正在重构。除了深耕底层模型，具身基础设施的打磨同样关键。只有当底层工程能力像水电煤一样高度可复用，研发资源才能从重复造轮子中解放，投向真正的创新探索。
技术报告：https://arxiv.org/abs/2609.17210
GitHub主页：https://github.com/FluxVLA/FluxVLA
Hugging Face：https://huggingface.co/limxdynamics/FluxVLAEngine