GPT-6下场之后，RoboDojo榜首换上了中国名字 | 雷峰网

4d ago

·~4 min·10/13/2026·en·0

Quick Answer

The Chinese model VPP2 has topped the RoboDojo leaderboard with a success rate of 32.26%, surpassing GPT-6-Astra's previous record.

Quick Take

Developed by Star Dynamics, VPP2 is a 14B parameter open-source model that achieved this without additional data or agent RSI, marking a significant milestone in embodied intelligence.

Key Points

VPP2 achieved an average score of 39.26, leading in generalization, precision, and memory.
RoboDojo is a prestigious benchmark for embodied intelligence, established by top global institutions.
VPP2's training used only official datasets, ensuring a fair assessment without external aids.
The model's architecture emphasizes decoupling video prediction from action generation for improved performance.
Star Dynamics has partnered with major logistics firms for practical applications of VPP2.

📖 Reader Mode

~4 min read

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。

这一细节，让我们想到DeepMind研究员姚顺宇此前有一个流传颇广的判断：大模型领域最稀缺的不是天才，而是靠谱、对自己做的事情负责的人。

所谓靠谱，就是把事情拆细并且做到位。在将基础工作拆细、做扎实后，VPP2 在模型表现上的提升比想象中大太多了，因此星动纪元团队的这次工作，某种程度上，和姚神的这个判断隔空达成了默契。

论文中的彩蛋实验：

GPT+WAM=泛化性的无限可能

论文里还埋着一组容易被榜单新闻盖住的实验：给VPP2加上一个由GPT类模型担任的"子任务规划器"，负责高层规划，五个任务的平均成功率从27.6%直接跳到57.6%，翻了一倍还多；井字棋这类需要策略思考的任务，从0分涨到38分。

这组数据指向一个清晰的分工：GPT管"想"，WAM管"做"。物理AI等于通用认知乘以通用物理执行，两者构成"认知—规划—预测—执行—反馈"的闭环。

值得玩味的是，GPT-6-Astra亲自下场打具身榜，本身就是大模型公司想吃掉"做"这一层的信号。

而星动纪元给出的是另一条路线：认知与物理执行解耦为两个基模，各自规模化，再闭环协同。从2024年的HiRT、ERA-42，到今天的VPP2，这家公司是GPT+WAM范式的率先提出者，并且一步步把它从论文搬到了榜单和产线上。

具身模型的范式还在演进，但下一个范式的轮廓，已经隐约可见。

榜单之外的具身公司：星动纪元

最近不少新旧具身公司交替，我们正好可以借星动纪元这次登顶，聊聊一家具身公司的克制，与去处。

翻一下星动纪元的打榜史，会发现这家公司在这方面相当克制。WorldArena的冠军，是主办方拿公开成果主动测了他们，属于"被动"参赛；真正自己主动下场打的，只有Benjie’s Olympics、RoboChallenge和这次的RoboDojo三个，三个都是第一。

挑考场的逻辑也清晰：都是对方主力亲自出席的考场。考场之外的去处同样明确。一方面，VPP2已同步开源。另一方面落地侧，星动纪元已完成物流行业首个PMF验证，与中国邮政、顺丰合作，在全国5个省市、10余个物流中心常态化运营。

从某种意义上，星动纪元在打榜的态度上，给很多具身公司打了个样，打榜不是目的，而是一把标尺，泛化能力最终要去的地方，是那些不需要"重新调一遍"的新场景。在"视频可用"和"产品可用"之间的那道鸿沟，靠刷榜填不上，靠泛化可以。这大概是VPP2这个第一之外，更值得行业记住的东西。

文末附上我们扒到的VPP2相关信息供各位进一步了解

开源代码：

https://github.com/roboterax/video-prediction-policy-2

项目主页：

https://robert-gyj.github.io/video-prediction-policy-2

上车，带你看遍全球 AI 顶会精华

可独家畅览：

专家演讲PPT

大会报告全文

热门论文解读

学术新星访谈

扫描上方二维码

或点击「阅读原文」关注专区。

— Originally published at leiphone.com

View original source on leiphone.com

Want this in your inbox every morning?

Daily brief at your local 8am — bilingual EN/中文, free.

Subscribe — it's free

More from WebSearch (Tavily)

See more →

WebSearch (Tavily)·zhidx.com

8/4/2026

FeaturedOriginal

全球AI芯片峰会，9月上海见！

AI Summary

The 2026 Global AI Chip Summit will take place in Shanghai on September 22-23, focusing on the evolving AI chip landscape, including the shift from training to inference, the rise of diverse chip technologies, and the restructuring of industry competition. Notable speakers include experts from leading universities and companies, discussing advancements in AI chip architecture and applications.

#Inference #GPU #AI Startup #Policy