9.85 厘米、2.30 度：机器人「走到桌边停在哪」，第一次变成了一道要打分的题
它没有用大规模机器人预训练起家，却在 24 项真机任务里拿下 13 项导航的位置误差第一、4 项移动操作成功率第一。真正值得记的不是排名，是它把「底盘该停在哪、朝哪」写成了一个可自动生成监督信号的坐标——平均位置误差 9.85 厘米、朝向误差 2.30 度。
- 主体：飞捷科思（Fysics AI）联合复旦大学认知与智能技术实验室（CITLab）发布统一世界动作模型 Fysiverse-UniWAM，把自主导航、移动操作、固定工位灵巧操作三类能力放进同一个模型。
- 关键技术点是 MAP：即「操作锚定位姿」，把「适合后续抓取的底盘位置与朝向」直接当成导航的学习目标，而不是只要求机器人「到了目标附近」。
- 监督数据可以自动生成：借助 HM3D、InteriorGS 与私有场景，用几何信息、视觉语言模型和自动路径规划批量产出 MAP-Data，规模为 超过 150 万条轨迹、约 7500 小时。
- 成绩单：MAP-Bench 平均位置误差 9.85 厘米、朝向误差 2.30°，比最强外部基线分别低 30.1% 与 44.0%；24 项真机测试中，13 项导航位置误差全部第一、4 项移动操作成功率全部第一（平均 80.0%，领先 π₀.₅ 17.5 个百分点），7 项固定工位操作 68.9%，落后 π₀.₅ 2.5 个百分点。
- 判断：这套结果最该被记住的不是「不用大规模预训练也行」，而是零样本那一行——只用生成的 MAP-Data 训练、不加真机示范，真机误差是 18.7 厘米、6.34 度，差不多是加了真机数据后的两倍。这 8.85 厘米的差距，就是「仿真里算得准」和「现场停得准」之间还没填上的坑。
具身智能的评测里，有一类指标长期被跳过：机器人走到目标前面之后，停在哪、朝哪。导航榜单比的是「有没有到达」，操作榜单比的是「有没有抓住」，中间那一步——底盘离桌边多远、正面还是侧面面对杯子——通常既不进榜单，也不进验收单。
但对真正要交付一台能干活的机器人的人来说，这一步恰恰是最容易翻车的地方：底盘停远了，机械臂够不着；朝向偏了，抓取姿态全要重算。机器人「走得到」和「拿得起」之间，隔着的就是这几十厘米。
飞捷科思与复旦 CITLab 这次给出的方案叫 MAP（Manipulation Anchor Pose，操作锚定位姿）。做法不复杂：不再只告诉模型「目标物体在哪」，而是同时告诉它「站在哪个位置、以什么朝向面对这个物体，接下来的抓取最顺」。
关键在于这句监督信号可以批量造出来。团队用 HM3D、InteriorGS 和私有大规模场景数据，结合场景几何、视觉语言模型和自动路径规划，为不同操作目标生成参考停靠位姿与接近轨迹。每条轨迹里除了视觉观察和导航动作，还带着目标边界框、MAP 图像投影这类几何监督信息。
最终形成的 MAP-Data 是 超过 150 万条轨迹、约 7500 小时。这个量级的意义在于：团队没有去攒「完整的移动操作真机示范」——那种数据要从走到停再到机械臂伸出去，一条一条录，贵且慢——而是把「走到哪」这一段用生成的方式解决了。
报道给出的是 24 项真机测试，分布在 4 种机器人平台上。三类任务的计分方式并不一样，混在一起看容易得出错误结论。
| 任务类型 | 项数 | 主指标 | 结果 | 对比基线 |
|---|---|---|---|---|
| MAP 导航 | 13 项 | 位置误差 / 朝向误差 | 位置误差 13 项全部第一；朝向误差 11 项最优 | π₀.₅、GR00T N1.7、FastWAM、Uni-NaVid、InternVLA-N1 等 |
| 移动操作 | 4 项 | 任务成功率 | 4 项全部第一，平均 80.0% | 领先 π₀.₅ 17.5 个百分点 |
| 固定工位灵巧操作 | 7 项 | 任务成功率 | 整体 68.9%，3 项超过 π₀.₅ | 落后 π₀.₅ 2.5 个百分点 |
这张表里最值得注意的不是「第一」，而是最后一行：在固定工位灵巧操作上，它没赢。68.9% 对 71.4%（按落后 2.5 个百分点反推），差距不大，但方向明确——一个没有吃过大规模机器人操作数据预训练的模型，在纯操作任务上仍然打不过吃过的。
这恰好说明 MAP 与 Mixed-Stream 的定位：前者解决「走到哪」，后者解决「怎么一起学」。Mixed-Stream 的做法是两条数据流各走各的输入编码器和动作输出头，但共享视频 DiT 与动作 DiT 骨干，靠 Mixture-of-Transformers 让视觉动态和动作生成共用一套参数。好处是导航数据和操作数据不必来自同一条完整轨迹，可以分开采样、批量喂进去。
报道里有一组数字容易被跳过：团队只用 MAP-Data 训练了一个 UniWAM-Sim，不加任何真机示范，直接部署到两种真实机器人平台上，结果是位置误差 18.7 厘米、朝向误差 6.34 度。
把这两个数摆在一起，能读出两件事。第一，纯靠生成数据也能「跑起来」——18.7 厘米对一个从没碰过真机的模型不算离谱，说明几何监督这条路的迁移性是真的。第二，它离能用还差一倍。9.85 厘米大致是「机械臂能舒服够到」的量级，18.7 厘米大概就是「还得往前挪半步」。
报道把这套方案放在 π₀.₅、GR00T 这条「大规模机器人预训练」路线旁边做对照。这个对照是成立的，但如果读成「预训练路线被证伪了」，就过头了。
更准确的读法是：统一模型的能力，未必只能靠扩大真机预训练规模来获得。MAP-Data 用几何信息自动生成监督，绕开了「完整移动操作轨迹难采」这个具体瓶颈；Mixed-Stream 让两类数据不必来自同一条轨迹，绕开了「数据必须配对」这个约束。这两个绕法都很有价值，但它们省掉的是数据采集的结构性成本，不是数据本身。
换到做交付的角度，这套东西的可借鉴处有三条。一是「停靠位姿」应该进验收单：给客户演示之前，先量一遍机器人停在目标前的实际位置误差，这个数比「能抓起来」更能预测长期表现。二是场景几何可以先建后采：如果客户的现场是固定的（仓库、机房、展厅），用几何加视觉语言模型预生成一批接近轨迹，比让工程师一遍遍拖着机器人走要便宜。三是别把「统一」当卖点卖：固定工位操作还落后 2.5 个百分点，说明一个模型通吃三类任务时，最弱的那一类就是它的真实水平。
代码、权重、MAP-Data 与 MAP-Bench 都已放出，这在这个领域不算常见。对中小团队来说，这意味着不必从零复现，可以直接在自己的场上量一次 9.85 厘米到底意味着什么。