大数跨境

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?

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? 极客公园
2026-11-16
0
导读: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。

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落幕:数据策略决定胜负

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。经过线上初赛筛选,15支战队进入为期48小时的线下总决赛。所有队伍基于同一款开源模型 LingBot-VLA 2.0、同一款松灵 COBOT MAGIC 机器人及统一现场算力,完成蔬果摆放、化妆品收纳和双臂清扫三项任务。

比赛结果显示,排名第三的 SST 战队仅额外采集了 13 条数据。他们未采用大量补数据的策略,而是通过接入通用大模型 DeepSeek 理解任务,利用视觉分割模型标出目标物体,最后交由 LingBot-VLA 2.0 执行动作,在真机评测中获得 65.87 分。

这一结果直观展示了通用大模型与具身模型的协同效应:DeepSeek 负责语义理解与任务拆解,具身基础模型负责精准定位与动作执行。在起点相同、解法不限的规则下,15支队伍在48小时内探索的核心命题是:面对真实物理世界的复杂变量,如何最大化释放已有模型的潜力。

从“拼数据量”到“拼数据质量”

纵观整场比赛,数据工程的重要性成为共识。LingBot-VLA 2.0 已具备基础的视觉、指令理解及动作生成能力,参赛者的核心挑战在于识别模型的能力边界,通过针对性数据补充或工具组合来解决特定场景下的失效问题。

冠军 TARS:干扰剔除与极致优化

冠军团队 TARS 首先对任务难度进行了分级。测试发现,蔬果摆放和化妆品收纳的主要难点在于无关物体的干扰。团队引入大模型识别目标与干扰物,并通过遮挡无关区域提升机器人专注度,使第一项任务实现10次全成功。

针对最难的双臂清扫任务,TARS 将主要资源投入其中。针对簸箕抓取不稳问题,团队重新选择抓持位置并补充数据;针对机械臂负重下坠问题,通过测量偏差进行动作补偿。此外,团队将单步训练时间从约15秒压缩至3.4秒,为现场迭代争取了宝贵时间,最终以82分夺得第一。

SST:少而准的轻量级路线

排名第三的 SST 团队采取了“少而准”的策略。除了推理阶段接入 DeepSeek 和视觉分割模型外,他们还冻结了部分预训练参数,仅用13条补充数据进行微调,有效避免了灾难性遗忘,保留了 LingBot-VLA 2.0 原有的通用能力。

EVA 与 FDU_SONIC:迭代与存量挖掘

亚军 EVA 团队选择了持续补数据的路径。初期真机成功率仅约10%,团队通过将每轮测试中的失败案例转化为训练数据,经过7轮迭代,数据量增至约1200条,自测成功率提升至73.83%。

由复旦学生组成的 FDU_SONIC 团队受限于算力和硬件成本,重点挖掘官方提供的647条轨迹数据。通过反复分析失败原因并调整数据分布,最终获得第五名及三等奖。

四支队伍使用同一模型却做出截然不同的数据选择,表明竞争焦点已从单纯的数据规模转向对模型能力的深刻理解及数据工具的高效运用。

跨界碰撞:不同背景开发者的多元解法

进入决赛的15支队伍背景多元,涵盖机器人研究、自动驾驶、搜索推荐、大模型评测及AI基础设施等领域。这种跨界带来了丰富的技术视角,也暴露了具身智能落地的实际难点。

算法思维的局限与调整

来自搜索推荐领域的“416一定行”团队,初期沿用互联网算法思路,通过全量微调让模型适应场景。但结果显示,模型在标准场景表现良好,却在物体随机摆放时成功率下降。分析表明,视觉模块过度拟合比赛数据,损害了通用能力。团队随即限制视觉部分的学习幅度,聚焦动作模块优化,揭示了微调中保护基础能力的重要性。

仿真与现实的鸿沟

来自大模型评测领域的“今天也要好好检东西”团队,擅长任务拆解与仿真验证。但在真机测试中,因仿真桌面与真实桌面存在约5厘米的尺寸偏差,导致预设动作失效。这一案例凸显了具身智能与纯软件开发的本质区别:物理世界中的尺寸、光线、摩擦及机械误差无法在数字环境中完全复现,通用模型降低了门槛,但未消除仿真与现实的差距。

基础设施优化的价值

熟悉 AI 基础设施的团队则致力于提升迭代效率。“持续知行”将单步训练时间从15秒压缩至4秒,48小时内测试了约30个模型检查点;“Motion”团队也将训练速度提升至每步3.7秒。训练速度的提升意味着更多的“训练-上机-反馈”循环,从而更快找到有效方案。

此外,还有团队将自动驾驶中的残差学习、数据增强迁移至机械臂控制,或根据环境不确定度动态调整动作长度。尽管部分方案未获高分,但跨界方法的快速试错证明了行业门槛正在降低。

具身智能尚未找到自己的 Scaling Law

比赛中 SST 和 TARS 的成功实践表明,通过通用大模型解决指令理解和目标定位,让 VLA 模型专注于动作执行,是一种高效路径。这引发了关于通用大模型是否会取代具身智能基础模型的讨论。

在同期举行的蚂蚁灵波首届开发者大会上,CEO 朱兴指出:“具身智能仍处于早期,通用大模型的进展会加速行业发展,但机器人最终需在真实场景中证明其适应性、速度和成本优势。”对于蚂蚁灵波而言,基础模型的核心价值在于降低伙伴的数据和后训练成本,加速新场景部署。

尽管机器人本体、关节及传感器技术快速发展,但理解环境与适应新任务仍需大量定制开发。若每个场景都需从头训练,硬件形态的丰富难以转化为规模化应用。目前,VLA、世界模型及通用大模型控制等路线均在探索中,行业尚未明确哪类数据规模的扩能带来能力跃迁,即具身智能尚未找到其 Scaling Law。

朱兴认为,本体和末端工具的多样化将长期存在,模型适配不同构型是长期议题。LingBot-VLA 2.0 在此过程中承担了“机器人大脑”的基础层角色,使开发者无需从零搭建视觉、语言和动作系统,可直接在已有模型上进行优化与部署。这也是蚂蚁灵波开放模型并组织统一真机评测的意义所在:汇聚更多开发者围绕同一基础模型实验,带回真实世界的成功经验与失败教训。

*头图来源:蚂蚁灵波
本文为极客公园原创文章,转载请联系极客君微信 geekparkGO

极客一问

通用大模型与具身模型,

该如何协同落地?

【声明】内容源于网络
0
0
极客公园
用极客视角,追踪你最不可错过的科技圈。
内容 1158
粉丝 0
极客公园 用极客视角,追踪你最不可错过的科技圈。
总阅读81.9k
粉丝0
内容1.2k