工具教程 · 神机百见-具身解读

32.26% 登顶 RoboDojo、14B 打赢 64B：星动纪元 VPP2 这份成绩单里，最该抄的是训练顺序

这是一个可以直接抄的配方：先让模型学会预测一整件事，再把它压到能实时跑的速度，最后才接动作专家。三个阶段的顺序一旦反过来，动作学会了、泛化就丢了。VPP2 把这条顺序连同代码一起开源了。

本篇目录4 节 · 14
42 项任务，专挑你不擅长的出先练预测，再压速度，最后才接动作14B 打赢 64B、0.22 秒、以及规划器值 30 个点代码与项目主页都在，先做复现再谈选型
一分钟速览
  1. 成绩：星动纪元自研的世界动作模型 VPP2 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，两项均列第一；对比 GPT-6-Astra 的 22.48% 与 28.97 分，分别领先 9.78 个百分点和 10.29 分。
  2. 榜单规格：RoboDojo 由香港大学 MMLab 牵头、全球近 20 所顶尖学术机构共建，仿真测试含 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维；VPP2 在泛化、精准操作、记忆三个维度上也拿下第一。
  3. 三阶段配方：① 事件级视频继续预训练 → ② 固定时长视频后训练与蒸馏 → ③ 动作专家训练。基座为阿里开源的 Wan2.1-I2V-14B，动作专家是 0.9B 的扩散 Transformer（MoT 架构）。
  4. 两个硬数字：预测未来 8 秒视觉变化的计算耗时约 0.12 秒，动作专家约 0.1 秒，整体动作片段生成延迟约 0.22 秒；在机器人操作视频的指令遵循测试中，14B 的 VPP2 达到 90%，而 64B 的 Cosmos3 为 78%。
  5. 真机与泛化：部署到真实 ALOHA 双臂机器人做 10 类零样本任务，平均成功率 58.5%（π0.5 为 40%），10 类中 9 类最佳；LIBERO-Pro 总体成功率 45.0%（其他基线最高 11.0%），LIBERO-OOD 63.9%。
  6. 已开源：代码 github.com/roboterax/video-prediction-policy-2；项目主页 robert-gyj.github.io/video-prediction-policy-2。
数据来源与边界
素材时间窗为当日 09:00 → 19:00（北京时间，2026-10-09）。主源量子位 2026-10-09 11:34 发布（腾讯新闻同步），英文侧 36 氪欧洲站同日报道，两篇为同一事件的独立表述，但均基于星动纪元提供的论文与榜单截图，不构成对成绩的独立复现。核查方式与边界：① 所有分数（32.26% / 39.26 分、GPT-6-Astra 的 22.48% / 28.97 分、ALOHA 零样本 58.5%、LIBERO-Pro 45.0%、LIBERO-OOD 63.9%）的基线数据取自官方排行榜，报道已注明「论文截图，基线模型数据取自官方排行榜」，本号未直接访问 RoboDojo 榜单页面逐一核对；② 「没有额外加数据、没用 Agent RSI 等增强手段」为公司口径，无第三方核验；③ 「清华唯一持股的嫡系具身公司」为媒体表述，本号未核对股权结构；④ 物流场景的「全国 5 个省市、10 余个物流中心常态化运营」为公司口径，且报道本身明确说明这不代表 VPP2 已实现规模化部署；⑤ 开源仓库地址与项目主页由报道给出，本文未验证仓库当前状态与许可证。判断均为作者分析，已用「判断：」标注。
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。
主要来源
量子位 2026-10-09 11:34（田晏林发自凹非寺，腾讯新闻同步发布）+ 36 氪欧洲站英文版同日报道查看原文 ↗
news.qq.com · 2026-10-09 发布
1先弄清这份榜单在考什么

42 项任务，专挑你不擅长的出

要看懂 32.26% 这个数字，得先知道分母是什么。RoboDojo 由香港大学 MMLab 牵头、全球近 20 所顶尖学术机构共同建设，仿真测试包含 42 项双臂操作任务，覆盖五个维度：泛化能力、精准操作、长程任务、记忆、开放词汇指令理解。

报道给出了这个榜单设计的出发点：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。用报道的话说，「想靠刷熟练度蒙混过关，没那么容易」。

VPP2 平均成功率
32.26%
GPT-6-Astra 平均成功率
22.48%
VPP2 平均得分
39.26 分
GPT-6-Astra 平均得分
28.97 分
柱长按百分比/百分制得分等比绘制；两个指标的量纲不同，仅作同指标内对照

报道解释了两个指标的分工：成功率看机器人能否完整完成任务；平均得分衡量任务推进到了哪一步，即便没能全部完成，也能体现阶段性表现。这一点很关键——它意味着 VPP2 的领先不只是「做成的更多」，还包括「没做成的那些也推进得更远」。

判断：32.26% 这个绝对数看起来很低，但它是这份榜单的性质决定的：42 项任务里包含长程、记忆、开放词汇这类刻意超纲的题目。把「低分」当成「模型不行」会读错；正确的读法是看它和同榜者的相对位置。同一张表上，GPT-6-Astra 是 22.48%。差距 9.78 个百分点在这种难度的榜单上不是小数点后的差别，是能力档位的差别。所以这条消息真正的信息不是「第一」，是「通用认知模型在这类任务上并不自动领先」。而这恰好是过去一年被反复默认的前提。
2配方：三个阶段，顺序不能反

先练预测，再压速度，最后才接动作

VPP2 走的是世界动作模型（WAM）路线：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。报道说这条路线长期存在一个问题——视频预测得漂亮，不代表机器人真的会干活。具体有两种典型翻车方式：一是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，机器人执行时直接跑偏；二是直接把动作学习加进视频模型，还可能损伤原本的泛化能力——动作学会了，换个环境却不会做了。

VPP2 给出的判断很直接：视频预测的质量，决定了动作的上限。基于这个判断，它的做法不是把视频和动作「一锅炖」，而是把两者解耦、重新排序，分成三个阶段：

阶段一
事件级视频继续预训练：让模型学会预测完整操作过程。基座是阿里开源的 Wan2.1-I2V-14B，整合机器人操作、人类活动、通用视频等多源数据，覆盖不同机器人本体和操作方式。
阶段二
固定时长视频后训练与蒸馏：调整为固定 8 秒片段预测，再通过一致性蒸馏把多步计算压缩为单步生成，让预测能力跟得上机器人实时执行的速度。
阶段三
动作专家训练：引入 0.9B 扩散 Transformer（Action DiT，采用 MoT 架构），根据预测的未来状态生成动作。动作训练初期冻结视频模型基础参数，仅通过 LoRA 适配，尽量避免破坏已有的预测泛化能力。

配套还有一处数据处理上的细节值得记下来：团队没有把视频一股脑喂给模型，而是先把操作过程切分成语义完整的片段，再配上详细描述。报道举的例子是，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——因为同一句模糊指令可能对应无数种动作轨迹。

判断：这份配方里最可复用的一条，是阶段三的「冻结基参 + LoRA 起步」。它解决的是一个所有做后训练的人都会撞上的问题：你花大力气练出来的泛化能力，会在动作微调时被悄悄磨掉。VPP2 的处理方式是把「理解世界怎么变」和「我该怎么动」在时间上分开长，先让前者长结实，再让后者在它旁边长。这个思路不需要照搬架构就能用：任何做 VLA 后训练的团队，都可以先跑一次「冻结基座只训动作头」的对照实验，看泛化掉多少，再决定要不要解冻。成本很低，信息量很大。
3三个可以直接抄过来当对照的数字

14B 打赢 64B、0.22 秒、以及规划器值 30 个点

除了榜单分数，报道里还有三组数字，任何做这条线的人都可以拿去做自己的参照系。

参数不是胜负手

在机器人操作视频的指令遵循测试中，14B 参数的 VPP2 达到 90%，而 64B 参数的 Cosmos3 为 78%。报道的结论是：在物理操作预测中，参数规模并非唯一胜负手。

延迟是可以压的

预测未来 8 秒视觉变化约 0.12 秒；0.9B 动作专家约 0.1 秒；整体动作片段生成延迟约 0.22 秒。这些数字都来自一致性蒸馏把多步压成单步这一步。

规划器值多少

在 RoboDojo 选定的长程任务测试中，引入 VLM 高层子任务规划后，平均成功率从 27.6% 提升到 57.6%。团队实际用的是 VLM 做语义理解、记忆与任务拆解，再把子任务交给 VPP2 执行。

第三组的含义最直接，报道把它总结成「GPT 负责想，VPP2 负责做」：通用模型负责理解意图、推理和规划，把复杂任务拆成明确步骤；WAM 负责预测物理变化、生成动作，再通过执行反馈持续调整。

判断：27.6% → 57.6% 这 30 个百分点是全篇最便宜的一笔收益。它不是说底层模型不行，是说底层模型再强，也补不上「先做什么」这一层的缺口。对要做交付的团队，这条结论可以立刻转成一个很具体的动作：在做任何模型选型之前，先把任务拆解层单独测一遍。如果加上规划器能翻倍，那么钱应该先花在规划层，而不是花在换一个更大的动作模型上。反过来，如果加上规划器没有变化，才说明瓶颈真的在底层执行。
4开源了什么、以及怎么用

代码与项目主页都在，先做复现再谈选型

报道给出的开源入口有两个：代码仓库 github.com/roboterax/video-prediction-policy-2，项目主页 robert-gyj.github.io/video-prediction-policy-2。报道明确写了「VPP2 现已开源」，并邀请读者复现论文结果。

商业侧的信息也有：星动纪元已与中国邮政、顺丰等企业合作，在全国 5 个省市、10 余个物流中心常态化运营。物流场景中的货物尺寸、摆放位置、作业流程都可能发生变化，这正对泛化能力提出要求。但报道本身也踩了一脚刹车：「已有物流业务的商业化进展，并不意味着 VPP2 已经实现规模化部署。模型能否在更多真实场景中长期稳定运行，还需要进一步验证。」

可复现清单（按报道给出的信息整理）：① 基座 Wan2.1-I2V-14B，动作专家 0.9B Action DiT（MoT）；② 三阶段顺序：事件级视频继续预训练 → 固定 8 秒片段后训练 + 一致性蒸馏 → 动作专家训练（初期冻结基参、LoRA 适配）；③ 数据侧：操作视频切分为语义完整片段并配详细描述（明确是哪只臂、哪个物体、哪个目标位）；④ 对照口径：指令遵循 90%（14B）vs 78%（64B Cosmos3）；ALOHA 零样本 58.5% vs π0.5 的 40%；LIBERO-Pro 45.0% vs 基线最高 11.0%；LIBERO-OOD 63.9%；⑤ 延迟口径：预测 0.12 秒 + 动作 0.1 秒 ≈ 0.22 秒。
判断：这份材料最值得做的动作不是讨论排名，是先跑一遍复现再看要不要用。理由有三：一，论文与代码都放出来了，复现成本比过去低得多；二，几个关键结论（分阶段训练的收益、14B vs 64B、规划器加 30 点）都是可以拆开单独验证的命题，不必接受整套方案；三，它在物流场景已有常态化运营，说明这套东西已经被放到过真实环境里，不是纯仿真产物。一句话：这是一个能动手的对象，而不只是一条新闻。
来源：量子位 2026-10-09 11:34（田晏林发自凹非寺，原文）；36 氪欧洲站同日英文报道；开源地址 github.com/roboterax/video-prediction-policy-2