研究解读 · 神机百见-具身解读

552B 参数、216 毫秒、10 次示范:全行业在往小模型卷,这份报告反着做了一个大的

别人在把 VLA 压到 3–7B 甚至 1B 以下以便塞进消费级显卡,这份技术报告把主干直接换成 552B,然后用「10 次示范打赢 50 次」和「LIBERO-PRO 45.1% 对 31.3%」证明大主干不白给。附赠一个容易被忽略的口径:216 毫秒是每个动作块,不是一个 token。

一分钟速览
  1. 规模:ScaleVLA 把 552B 的 DeepSeek-V4.1-Flash 主干接到一个可训练的 action DiT 上,在同一套训练设置下把 2B 到 552B 的主干横向比了一遍(arXiv 2611.21607,2026-11-16 提交)。
  2. 样本效率:10 次示范的成功率 87.8%,高于 2B 主干用 50 次示范的 85.6%——示范数量差 5 倍,胜的是那个小的。
  3. 泛化:LIBERO-PRO 上 45.1%,对比各档小主干最高 31.3%,相对提升约 44%(自算)。
  4. 真机:充电器插入从 4/10 提到 9/10,报告写明增益集中在「接触敏感的对齐」环节,不是视觉识别环节。
  5. 延迟:每个动作块中位 216 毫秒。这是 chunk 口径,不能直接拿去和「百毫秒级单步推理」对比。
  6. 判断:这篇的真正信息不是「大模型更强」,而是瓶颈的坐标换了——当示范数据成为最贵的一项,用参数换示范是笔能算清的账;反过来,当推理算力成为最贵的一项,这笔账立刻倒挂。
数据来源与边界
主源为 arXiv 2611.21607 v1(https://arxiv.org/abs/2611.21607 ),提交时间 2026-11-16 18:59:37 UTC,即北京时间 2026-11-17 02:59,类型标注 Tech Report、学科 cs.RO,12 位作者,提交人 Zekun Qi。对照源为同日提交的 arXiv 2611.18372《Vision-Language-Action Models: A Life-Cycle Survey》(arxivsignals.io ↗ ),其摘要给出了 88 篇工作、22 个模型的横向统计,本文的「行业在往小模型走」这一前提即引自该综述,不是作者推测。素材时间窗为前一日 18:00 → 当日 09:00(2026-11-16 18:00 → 2026-11-17 09:00),本条落在窗内。 边界与不确定:①本文所有数字均取自论文摘要,未取得 PDF 全文与实验附录,因此训练数据规模、评测次数、置信区间、chunk 长度均未知,凡涉及这些的地方一律未做推算;②「87.8% 对 85.6%」是两个不同设定下的成功率,论文未在摘要中给出方差,2.2 个百分点的差距是否显著本文无法判断,只能按作者结论转述;③「相对提升 44%」与「5 倍示范差」是本文自算,算式已在正文写出;④216 毫秒为论文自报中位值,测试硬件与 batch 设置未在摘要披露,不构成任何部署承诺;⑤「行业往小模型卷」的表述基于同日综述的统计,属转述,非作者原创结论;⑥文中所有关于成本结构、示范经济学、边缘算力的论述均为作者判断,以「判断:」开头。版权与免责声明由模板自动附加。
本文事实信息来自上方标注的公开来源;解读、判断与延伸部分为作者个人见解,写作过程使用了 AI 工具辅助整理,已由作者人工核实,不代表信息来源方立场。如有雷同纯属巧合;如涉及版权或权益问题,请联系 shenjibailian@shenjibailian.com,我们将在核实后及时删除或更正。

2026 年 11 月 16 日到 17 日这个隔夜窗口里,同一批 arXiv 上出现了两份方向相反的文件:一份是 88 篇工作的 VLA 全生命周期综述,结论是模型规模正在**分裂**——多数近期模型落在 3 到 7B,另有一组压到 1B 以下、专门跑消费级显卡;另一份是这篇技术报告,直接把主干干到 552B。

两份文件不冲突,它们回答的是两个不同的问题。综述问的是「现在大家在用什么」,报告问的是「如果不管成本,天花板在哪」。

一、它到底改了什么

ScaleVLA 的结构并不复杂:冻结或半冻结的前沿视觉语言主干,接一个可训练的 action DiT,由后者输出动作。这个「大 VLM + 小动作头」的范式在 2025 年之后已经常见,真正少见的是**尺寸**——552B,比主流 VLA 主干大两个数量级。

论文把实验设计成一条完整的缩放曲线:2B 到 552B,**同一套训练设置**。这一点比数字本身重要。跨论文比规模,永远比不出结论,因为数据、超参、评测协议全在变;只有把变量摁住,参数的边际收益才看得见。

它选了三个维度来测,恰好对应机器人基础模型的三道关:样本效率、泛化、精细操作。

二、三组数字,三个不同的问题
能力552B 主干小主干最好成绩这组数字在问什么
样本效率10 次示范 87.8%2B / 50 次示范 85.6%采一条示范值多少钱
泛化(LIBERO-PRO)45.1%≤31.3%换个场景还认不认得
精细操作(真机插充电器)9/104/10接触那一下稳不稳
表注:数据取自 arXiv 2611.21607 摘要;「小主干最好成绩」是各档对比中的最优值,非某一个固定模型;LIBERO-PRO 为仿真基准,真机项为充电器插入任务。抓取日期 2026-11-17。

三组数字的分量不一样。泛化那一栏最能说明问题:45.1% 对 31.3%,相对高出约 44%(自算:45.1÷31.3−1)。但请注意绝对水平——**45.1% 意味着超过一半的测试场景它仍然失败**。这不是「解决了泛化」,这是「泛化的起点被抬高了一截」。

552B 主干
45.1%
小主干最高
31.3%
LIBERO-PRO 成功率,柱长为 45.1% 归一化后的比例(31.3÷45.1≈69.4%);两者均为失败率过半的水平,不宜读作「可用」
三、10 次打赢 50 次,省的是谁的账

样本效率那一栏最扎眼:10 次示范 87.8%,对比 2B 主干 50 次示范的 85.6%。

如果把这条结论翻译成钱,算的是这样一笔账:在工业现场采一条有效示范,成本远不止「操作员按几下」。要清场、要停线、要工程师在场标定、要保证物体位置可复现。一条示范的真实成本常常是几百到几千元,还要乘上「采完发现不能用」的返工率。示范数从 50 降到 10,省下的不是 40 次动作,是 40 次停线。

判断:这篇论文最该被产业界读走的一句话,不是「552B 更强」,而是「示范数据的边际价值随主干规模上升」。它把行业的成本结构从「采数据最贵」推向「买算力最贵」,而这两件事的议价方式完全不同——前者靠场景合作,后者靠采购谈判。
四、216 毫秒这个数,要除以动作块

报告给出的延迟是「每个动作块中位 216 毫秒」(216 ms median latency per action chunk)。这个口径必须说清楚,否则会被读成「大模型也能实时」。

VLA 的输出通常是一个动作块(chunk),不是单步。一个块里包含若干步关节指令,机器人执行完这一块才回来问下一次。所以:

块长 1 步(最坏读法)
216 ms/步
块长 8 步(常见设定)
27 ms/步(自算)
同一 216 毫秒在不同块长下的每步摊销;块长论文摘要未披露,两种情形均为按常见设定的示意,不是论文数值

块长决定一切。若块长 8 步,每步摊 27 毫秒,够用;若块长 1 步,216 毫秒意味着控制频率不到 5Hz,只能做慢速任务。论文摘要把块长留白了,这是读这篇报告时最大的一个空洞。

同样要问的还有硬件。552B 参数的推理不可能跑在机器人本体上,它必然走端云分离。那么 216 毫秒里包不包含网络往返?如果不包含,实际控制回路还要再加一段——而这一段恰恰是工业客户最不能接受抖动的地方。

五、判断:坐标换了,账也就换了

把这份报告和同日的综述并排放,能看到一条清晰的分岔。

综述统计的三条趋势是:训练数据从 π0 的约 1 万小时遥操作,扩到 SmolVLA 的 2.3 万个社区采集 episode、GR00T N1.7 的 2 万小时第一人称人类视频;模型规模分裂成「3–7B 主流」与「1B 以下跑消费卡」两团;并且明确指出**一些基准接近满分的 VLA,在物体或相机稍微移动时就失效**。

第三条是最要命的一句。它说明当前榜单分数与真实可用性之间有一道断层。ScaleVLA 的 45.1% 恰好落在断层上:比小模型好得多,绝对值仍然难看。

判断:接下来 12 个月真正会被验证的,不是「谁的主干更大」,而是「谁的示范采集成本更低」。因为参数可以买,数据只能一条一条采。552B 这条路线的商业含义是把竞争从「场景数量」推向「算力预算」——这对有云的玩家有利,对靠现场服务的集成商不利。

对做落地的人来说,这份报告有一个很实际的用法:它给了「换更大主干」这件事一个可量化的收益区间。10 次对 50 次、45.1% 对 31.3%、9/10 对 4/10——如果你手上的项目正卡在「每个新工位都要重新采 50 条」,这三组数字就是评估要不要换底座时的参照。但如果你卡的是「现场网络只能给 50 毫秒预算」,那这篇报告帮不上忙,它连块长都没告诉你。

一个 552B 的 VLA 不会装进任何一台机器人。它更可能的形态是一个「教师」——在云端跑,给端侧的小模型生成训练信号或动作标签。这条路在自动驾驶上已经走通过一遍。区别在于,车有稳定的蜂窝连接和统一的传感器配置,工厂没有。