清华具身模型登顶全球第一！突围GPT-6、英伟达，不靠外挂和额外数据

星动纪元选择将视频预测与动作学习分阶段训练，重点不是「视频、动作一锅炖」，而是把两者「解耦」，重新「排序」。

而且，GPT-6-Astra、Physical Intelligence的π0.5、英伟达GR00T-N1.7等一众全球头部具身模型，这次都被甩在了身后。

出手的是一家中国机器人公司—— 清华唯一持股的嫡系具身公司，星动纪元 。

近日，星动纪元 自研的世界动作模型VPP2 ，一举登顶 RoboDojo仿真榜单 。

综合平均成功率32.26%，综合平均得分39.26分，两个指标双双第一。

RoboDojo号称 具身智能界的「珠穆朗玛峰」 ，由香港大学MMLab牵头，全球近20所顶尖学术机构共同建设。

它专挑机器人不擅长的地方出题：换个环境，还会不会干活？东西摆歪了，还能不能抓准？任务做到一半，还记不记得前面发生了什么？

星动纪元VPP2不仅拿下综合第一，在 泛化能力、精细操作、记忆能力 三个维度上，也拔得头筹。

据说，这次VPP2 没有额外加数据 ，也 没用Agent RSI等增强手段 ， 仅靠「标准数据集」 ，就把一众高手给卷了下去。

这代表着VPP2模型本身足够强，性能提升来自预训练，基座足够泛化，因此不靠外挂增强策略，不靠扩充数据「刷分」。

VPP2给出的解法，是先把视频预测能力练到足够强，再让机器人在陌生环境里真正动起来。

从目前披露的多项测试结果来看，VPP2已经成为世界动作模型WAM赛道中，最有竞争力的选手之一。

机器人Demo越做越炫，模型榜单分数也越来越高，但真要问一句，谁的机器人更聪明、更能干活？

比如让机器人抓杯子。在训练时见过的桌面上，它可能百发百中。结果换个杯子、挪下位置，立刻开始怀疑人生。

它的目标是为具身智能建立统一、可复现的评测标准，仿真测试 包含42项双臂操作任务 ，覆盖泛化、精准操作、长程任务、记忆、开放词汇指令理解五个维度。

传统机器人模型在熟悉任务上可能接近满分，一旦环境、物体位置、任务组合发生变化，成功率可能明显下降。

RoboDojo专门对这类复杂情况进行考察，看机器人面对变化时，有多少泛化能力。

作为对比，在RoboDojo仿真基准的后训练评测中， GPT-6-Astra 的平均成功率为22.48%，平均得分28.97分。

这里两个指标各有侧重：成功率看机器人能否完整完成任务；平均得分则衡量任务推进到了哪一步，即便没能全部完成，也能体现其阶段性表现。

换句话说， VPP2不仅完成任务的比例更高，面对没能做完的任务，也体现出了更强的阶段性完成能力。

拆开五项能力维度来看，VPP2在泛化、精准操作、记忆三个维度上，同样拿下第一。

这三项能力对应着机器人进入真实世界的几道难关：换个环境还能不能干活，操作能不能做准，以及连续执行任务时能不能记住前面的步骤。

不过，RoboDojo再难，考场终究还是「仿真环境」。真到了物理世界，物体的摩擦、形变、位置偏差，又会陡生变数。

这次，团队直接把VPP2 部署到真实ALOHA双臂机器人 上，测试了抓取、放置、堆叠、折叠、倾倒等10类零样本操作任务。

结果，VPP2再次交出领先成绩： 平均成功率58.5%，高于π0.5的40%。

榜单第一，证明的是它在标准评测体系里的能力；真机零样本操作，则进一步考察这些能力能否迁移到真实物理环境。

这类模型的基本思路，是借助视频预测理解物理世界接下来会如何变化，再把这种预测转化为机器人动作。

想理解VPP2的突破，先来看一个简单任务：让机器人把桌上的杯子放进盒子里。

但机器人得判断杯子的位置、机械臂的运动轨迹、夹爪何时闭合，还要预测整个操作过程中，物理世界会发生什么变化。任何一步出了偏差，都可能翻车。

一方面，普通视频模型擅长生成画面，但画面看着合理，和符合真实物理规律是两回事。

比如要求抓左边的杯子，模型却预测抓起右边那个。视频照样能生成，机器人执行时却会直接跑偏。

基于这一思路，星动纪元选择将视频预测与动作学习分阶段训练，重点不是「视频、动作一锅炖」，而是把两者 「解耦」 ，重新 「排序」 。

第二阶段，固定时长视频后训练与蒸馏，让预测能力跟得上机器人实时执行的速度。

第三阶段，动作专家训练，将视频预测转化为具体动作，同时尽量保住原有的泛化能力。

三个阶段层层递进，最终指向 两个核心突破 ：预测能泛化，行动也能泛化。

星动纪元以阿里开源的Wan2.1-I2V-14B为基础，整合机器人操作、人类活动、通用视频等多种数据，覆盖不同机器人本体和操作方式。

团队没有简单地把视频一股脑喂给模型，而是先将操作过程切分成语义完整的片段，再配上详细描述。

比如，不能只告诉模型「把杯子放进盒子」，还要明确是哪只机械臂、哪个杯子、哪个盒子，以及整个操作过程。

VPP2索性把任务描述得更细，让语言指令和物理操作形成更稳定的对应关系。

传统短时预测关注接下来几帧会发生什么，而VPP2直接让模型学习一次完整操作从开始到结束的变化。