GPT-6下场之后，RoboDojo榜首换上了中国名字

本文作者：袁毓婉

2026-10-13 16:30

导语：14B参数，无额外数据，无agent RSI辅助，开源可复现

14B参数，无额外数据，无agent RSI辅助，开源可复现

作者丨齐铖湧

编辑丨林觉民

过去半年，具身智能大大小小的榜单更新了一轮又一轮，但真正有信息量的变化并不多。

RoboDojo最近的几次榜首更迭，却是个例外。

首先是上个月RoboDojo榜单，因为被 GPT-6-Astra 跨界屠榜，拿下第一，变得备受行业关注。作为通用大模型的主力选手，GPT-6 下场参评具身分支榜单，跨考机器人领域，是非常值得记录的行业信号，它的出现，威胁到了不少具身基模的江湖地位。

而就在刚刚，榜单第一位换成了一个来自中国的自研模型“VPP2”。

据AI科技评论独家获悉，VPP2 是清华唯一持股的具身公司星动纪元推出的最新世界动作模型（WAM），全称叫做Video Prediction Policy 2。

近日， VPP2 以平均成功率（Avg SR）32.26%、平均得分（Avg Score）39.26 分的成绩登顶RoboDojo榜首，并拿下generalization 、precision 、memory三项成绩第一。这是继GPT-6-Astra登顶之后，中国具身团队在这个榜单上拿到的最高分。

据AI科技评论独家了解星动纪元VPP2这款被业内传为“最强WAM”模型的三大细节，第一这只是一个只有14B参数的模型；并且，它没有使用任何额外数据，也没有使用agent RSI。其次，这是一个开源模型，任何团队均可用该开源模型复现本次夺冠成绩。

某种意义上，在RoboDojo榜上，VPP2的出现是一次里程碑式的存在。

RoboDojo榜单含金量：

具身智能界的珠穆朗玛峰

RoboDojo是一个来头不小的权威评测：由香港大学多媒体实验室（MMLab）牵头，联合UC伯克利、清华等全球近20所顶尖学术机构共建，背后是知名仿真基准RoboTwin的原班人马，一直被各个具身大脑公司戏称为"具身智能界的珠穆朗玛峰"。

它干的事，用一句话概括：给全世界的机器人模型办一场统一高考。

"统一"二字是理解这个榜单的关键。过去两年，各家具身公司都在发Demo、报成功率，但各家考卷不同、硬件不同、评分标准不同，横向比较几乎无从谈起。RoboDojo试图终结这种状态：真机与仿真双轨并行，统一硬件、统一协议、公开题库，从根上杜绝针对性优化和过拟合。

仿真环节包含42个双臂任务，考察五个能力维度：泛化、记忆、精度、长程执行、开放词汇指令遵循。每一项都对应真实操作场景里的硬骨头。

以泛化维度为例，机器人要按颜色和字母标识把积木分拣到对应盒子里，或把汉堡部件按序装盒，物体摆放位置全程随机化，这和实际工作场景中物体随机放置的状态一致，任何细微的位置偏移都可能导致失败。

记忆维度要求机器人按正确顺序依次拉动多个抽屉拉杆，全程零容错，错一步记零分。精度维度考察插花、倒水这类精细动作。长程维度最具代表性的是"微波炉取三明治"：开关微波炉门、开关内部炉门、取出并放置三明治，完整链条约十个步骤，考验的是多环节任务的全局规划。开放维度则要求听懂任意口头指令，比如把桌面上出现的任何物品分拣到对应容器中。

评分规则同样不近人情：只要任务没有完整走完，即便大部分步骤正确，最终得分也是零。

这套考卷的区分度，从头部模型的集体低分就能看出来。在星动纪元VPP2之前，榜单上主流模型的成功率多在个位数到两成出头，PI的π0.5成功率8.31%、平均得分14.67；GPT-6-Astra以22.48%和28.97登顶时，已经是断档式的领先。

第一名也只有两成多成功率，说明两件事：题出得确实难，以及整个行业离"毕业"还很远。

值得一提的是，出现在榜单上的GPT-6-Astra并非第三方研究者复现的结果，而是RoboDojo官方亲测的成绩。这样的榜单含金量，在具身评测里并不多见。

在这样的考卷上，VPP2论文报告的成绩是成功率32.26%、平均得分39.26.，高于GPT-6-Astra的22.48%和28.97。并同时拿下泛化、精度、记忆三个单项第一。

把几组数字放在一起看：π0.5是8.31%，GPT-6-Astra是22.48%，VPP2是32.26%。在一个第一名只能做对两成多题目的考场上，成绩每抬高一个百分点，背后都是真实能力的增量，而不是刷榜技巧的增量，这一点，我们在下一节会展开。

还有一个容易被忽略的参照系。

PI的π0.5出现在全球绝大多数榜单上，都是别人拿它的开源模型去跑分，属于"被参赛"；它唯一一次官方亲自下场的赛事，是今年4月的Benjie’s Olympics。那场比赛的三项第一，同样被星动纪元拿走。也就是说，两次与头部公司"官方主力"的正面对垒，胜出的是同一家中国公司。

从某种角度上，星动纪元在具身大脑的江湖地位上，一直是非常有野心的。

含金量在考法：一场没有"外挂"的考试

从测评结果上，VPP2的实力支撑了这一野心。

仿真评测圈存在一个半公开的做法：为了冲高分数，不少参评团队会引入额外数据"加餐"，或者使用agent RSI，向智能体注入特权状态信息，辅助决策。规则并未禁止这些手段，谈不上违规，但不同考法之下，分数的可比性难免打折扣。

VPP2的成绩单上，这两项都是空白：训练只使用官方标准数据集，按官方baseline协议公平训练，未引入任何额外数据，也未使用agent RSI。换句话说，这是一场"裸考"。

为什么考法比分数更值得讨论？因为没有额外的题可刷、没有场外信息辅助，这个成绩就不可能是靠过拟合或者后训练堆出来的。它证明的是预训练阶段沉淀的原生能力，而原生能力强的另一个说法，叫泛化性强。

这正是行业当下最缺的东西。

今天讨论具身智能，流行的判断是"没有落地"，这个说法并不准确：头部公司多多少少都有落地项目，真正缺的是大规模落地。卡点在于，每进入一个新场景，都要做大量工程性优化和后训练，适配成本高到客户算不过账。要打破这个循环，唯一的出路是把基模的泛化性做上去，基模见过的世界足够多、理解得足够深，进入新场景的边际成本才能降下来。

VPP2这场"裸考"的实际含义正在于此：它用一套可复现、可对照的成绩证明，泛化能力可以来自基模本身，而不是来自场景定制的工程技巧。对行业来说，这比一个榜首位置重要得多。

榜单光环之下，还有一组数字值得单独拿出来看：VPP2是一个14B参数的模型。

它对标过的对象里，站着英伟达的Cosmos3 64B，参数量是它的四倍多。在开放式任务的视频预测指令遵循率上，VPP2-14B在人类操作视角拿到0.80、机器人视角拿到0.90，而Cosmos3-64B是0.70和0.78，VPP2高出约11个百分点。

要知道，VPP2的基座模型Wan2.1-14B在这项测试上只有0.32和0.04，提升来自训练方法，而非基座本身。真机侧同样如此：在ALOHA双臂零样本操作任务上，VPP2的成功率超出最强基线18.5个百分点。

小模型的价值不只是"以小博大"的叙事快感。

机器人的端侧算力是有硬约束的，基模小一号，推理成本、响应延迟、功耗全都松一口气，换来的是实打实的部署自由度。对一家要给物流中心批量交付机器人的公司来说，这对星动纪元来说，不是学术问题，是真金白银的商业问题。

星动纪元VPP2的技术细节剖析

拆开VPP2的论文，一个直观感受是：这个工作的成色，更多来自数据管线和训练范式，而不是某个炫酷的新概念和新架构。

这与行业风气形成了对照。具身模型赛道现在几乎每周都有新架构发布，新名词一个接一个。

而星动纪元的实践给出的答案是：在架构趋同的当下，把基础工作拆细、做扎实，带来的提升比换一个架构直接得多。

训练范式上，VPP2的核心是"解耦"。

传统做法把视频预测和动作生成放在一起联合训练，VPP2的判断是顺序错了：视频预测的质量决定动作的上限，两者必须拆开、排序。

先让模型在"脑内"预演物理世界的变化，再基于预演结果输出动作。

整条管线分四步：事件级视频预训练、语言条件化视频预测、基于视频模型KV cache训练动作专家、针对评测的专项后训练。

策略执行时，模型每步只用0.2秒的推理时间，就能输出0.8秒的动作块。

论文里有个精彩的细节。一句简单指令"把碗放进盒子"，对应的未来视频是高度多模态的，有无数种放法，映射关系不稳定，模型根本没法学；

而把指令扩充为详细描述（“左侧机械爪拿起左边的白色碗，放入透明盒内，相机保持静止”），未来的执行轨迹立刻变成唯一、稳定的映射，分布高度集中。一个caption工程上的洞察，直接决定了预测任务的可学性。

数据管线同样要下功夫。

论文中显示，训练数据横跨单臂（OXE、RoboMIND、DROID、RH20T）、双臂（AgibotWorld-Beta、RoboCOIN）、移动与人形、人类第一视角（Ego4D、Epic-Kitchen）和通用视频（Panda-70M）等多个来源，且每一类数据配不同的过滤策略：末端执行器不可见的片段直接删除，完全可见的取首帧做标注。这种"数据洁癖"不性感，但有效。