清华星动纪元VPP2登顶RoboDojo榜单 14B模型超越64B

分析师/会磊

星动纪元，这家清华大学唯一直接持股的具身智能公司，刚刚登顶了“具身智能界的珠穆朗玛峰”。

近日，星动纪元自研的世界动作模型VPP2在RoboDojo仿真榜单上跑到全球第一，综合平均成功率32.26%、综合平均得分39.26分，两项指标双双第一，并在泛化能力、精细操作、记忆能力三个维度拔得头筹。排名超过GPT-6 Astra、Physical Intelligence的π0.5和英伟达GR00T-N1.7。

RoboDojo由香港大学MMLab牵头，全球近20所顶尖学术机构共建，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？在VPP2之前，榜单上主流模型的成功率多在个位数到两成出头。

但真正值得注意的，是三个数字：第一，VPP2只有14B参数；第二，它没有使用任何额外数据或Agent RSI等增强手段；第三，它是一个完全开源、可复现的模型。

一个14B的“小模型”，靠标准数据集，把64B的大模型和GPT-6 Astra甩在了身后。这背后到底发生了什么？

要理解VPP2的含金量，先得看懂RoboDojo这个“考场”有多难。

RoboDojo由香港大学MMLab牵头，联合全球近20所顶尖学术机构共建，仿真环节包含42项双臂操作任务，覆盖泛化、记忆、精度、长程执行、开放词汇指令遵循五个维度。

简言之，该“考场”专门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？在VPP2之前，榜单上主流模型的成功率多在个位数到两成出头。

而VPP2交出的成绩单是这样的：视频指令遵循测试中，VPP2-14B的指令遵循成功率为90%，高于Cosmos3-64B的78%，原始Wan2.1模型只有4%。在真实ALOHA机器人零样本操作任务中，VPP2平均成功率58.5%，比最强基线高出18.5个百分点。RoboDojo综合评分39.26，比GPT-6 Astra的28.97分高出10.29分。

这些数字背后，有三个关键的“不”。

第一，不靠“外挂”。 VPP2没有使用Agent RSI等增强手段——这是不少模型在评测中“刷分”的常见路径。RSI（可扩展监督推理）本质上是给模型外加一层推理增强模块，相当于考试时带了一个“外挂计算器”。VPP2没用，它靠的是模型本身的能力。

第二，不靠“堆数据”。 很多团队为了冲榜，会在标准数据集之外额外搜集大量针对性数据进行微调。VPP2没有。它仅使用标准数据集就完成了登顶。

第三，不靠“堆参数”。 14B参数打赢64B参数，在这个“大就是好”的时代，几乎是一个反直觉的结果。VPP2论文明确指出，在特定操作预测任务上，参数规模更大不一定就表现更好，训练数据怎么组织、指令与动作轨迹如何对应，同样会影响结果。

那么，性能提升到底来自哪里？答案是预训练。

VPP2以阿里开源的Wan2.1-I2V-14B视频生成模型为基座，进行了大规模的“事件级”继续预训练。团队构建了大规模、多样化的操作视频数据集，用详细标注描述每一次操作的目标对象、执行末端和相机视角，让视频模型真正“理解”操作任务的完整过程。当基座模型对物理世界中的操作行为理解得足够深，动作学习就变成了一件“水到渠成”的事。

一句话总结：VPP2的强大不是“刷”出来的，是“练”出来的。

世界动作模型（WAM）是当下具身智能最热的技术路线之一。它的核心思路很直观：让视频生成模型“预测未来画面”的能力，迁移为机器人“该怎么动”的动作能力。一个能在脑海中推演未来的机器人，理应知道下一步该做什么。

但理想很丰满，现实很骨感。现有WAM有一个致命的软肋：预测错了，动作就跟着错。

这个问题有三个层面的成因。首先，底座视频模型不懂操作。 视频模型懂画面，但不懂夹爪、不懂任务，在开放环境中预测出来的未来往往是“似是而非”的。其次，硬塞动作模块伤泛化：把动作模块直接端到端混训进视频模型，会让模型“记住”特定动作而“变笨”，原有的泛化能力被严重破坏。最后，坐标系混乱。不同机器人的视角、坐标系各异，同一个动作在不同构型下方向可能完全相反，模型学不到稳定的映射关系。

这三重问题叠加，导致了一个尴尬的行业现象：机器人Demo越做越炫，模型榜单分数越来越高，但真让机器人在陌生环境中干活，立刻“怀疑人生”。

VPP2的解法，核心只有八个字：先练预测，再练动作。

它把视频预测与动作学习彻底“解耦”，拆成三阶段来训练。第一阶段，事件级继续预训练。在Wan2.1-14B基础上，用大量操作视频让模型学会“如果要做这个操作，接下来画面应该怎么变”。每个训练片段覆盖一个完整子任务，从初始观察到完成。第二阶段，块级后训练与蒸馏。把模型训练成固定8秒时域的视觉规划器，并通过一致性蒸馏把多步迭代生成压缩为单步，换取实时速度。第三阶段，动作专家训练。用一个0.9B参数的轻量动作模块，通过MoT混合架构学习“给定预测的未来画面，机器人该怎么动”。

整个流程的逻辑非常清晰：预测得更好，行动得更好。机器人先“在脑海中预演”一次操作该怎么发生，再把这个预演翻译成具体动作。8秒视频预测约0.1秒完成，动作专家总延迟约0.22秒，可以实时闭环控制。

这种解耦策略带来的最大收益，就是零样本泛化能力的全面跃升。

什么叫零样本泛化？简单说，就是模型在训练时没见过的新物体、新位置、新任务组合面前，仍然能正常完成操作。VPP2在视频预测和动作生成两方面都具备强零样本泛化能力。在实际测试中，团队把VPP2部署到真实的ALOHA双臂机器人上，进行了倒水、倾倒等10类零样本操作任务，VPP2在9/10类任务中排名第一。

目前，VPP2已经在多个场景中得到了验证。

在仿真层面，它通过了RoboDojo、LIBERO-Pro、LIBERO-OOD等主流基准测试。在真机层面，ALOHA双臂机器人上的零样本测试证明了它的实际操作能力。在产业层面，星动纪元的机器人已经批量进驻中国邮政、顺丰集团等10多个物流中心，在部分高温、潮湿等恶劣环境下，部分物流中心机器人效率超过人类水平的85%，并能24小时稳定运行。

未来，VPP2的“预测-行动”解耦范式可以向外延伸。在工业制造中，它可以处理精密装配和质检任务；在医疗场景中，可以辅助手术器械的精准操作；在家庭服务中，可以完成整理、清洁等长程多步任务。核心逻辑是一样的：先让机器人“看懂”该怎么做，再让它“学会”怎么做。

VPP2登顶RoboDojo这件事，放在更大的行业背景下看，意义远超一个榜单排名。

首先，行业正处于从“Demo驱动”到“可量化竞争”的转折点。

过去两年，具身智能行业有一个公开的秘密：各家公司都在发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的出现，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。VPP2用标准数据集、开源代码的方式登顶，意味着具身智能行业开始有了一把真正统一的“尺子”。

其次，世界动作模型正在被推上具身智能竞争的中心。

截至今年8月，国内至少已有30家公司发布或宣布涉足世界模型。英伟达机器人方向负责人Jim Fan甚至在红杉资本AI Ascent大会上抛出论断：“视觉语言模型VLA已死，世界动作模型WAM当立。”银河通用创始人王鹤也提到一组对比数据：2025年发布世界动作模型论文时，他能找到的相关论文只有一篇，一年多后这个数字变成了171篇。这条赛道的拥挤程度，可见一斑。

最后，中国具身智能产业正在加速从实验室走向规模化落地。

从产业基础设施来看，全国已建成启用70多家具身智能训练场，在建、规划40余家，形成长三角、京津冀、珠三角三大核心集群。2025年，中国人工智能核心产业规模超过1.2万亿元，企业数量超过6200家。行业预测，中国具身智能市场规模预计2026年达到1.09万亿元，年均复合增长率22%至23%。从技术验证到规模商用的跨越，正在发生。

但挑战同样存在。核心矛盾在于：机器人产业软件落后于硬件，“脑体倒挂”是行业的痛处。VPP2的成功说明，解决“脑”的问题，靠的不是更大的参数、更多的数据，而是更聪明的训练范式和更扎实的预训练基座。

VPP2登顶RoboDojo，不只是一次榜单的更迭，更是一次范式突围。

GPT-6 Astra代表了“通用大模型向下兼容”的路线，用强大的认知能力试图覆盖一切；VPP2代表了另一种路线——围绕物理世界建立专门的能力底座，让机器人真正理解“操作”这件事本身。它用14B的参数规模、标准的数据集、开源的技术方案，证明了具身智能的壁垒不在于“谁的钱多、谁的参数大”，而在于“谁的方法对”。

RoboDojo上，VPP2的成功率是32.26%，人类专家的遥操作成功率是76%。差距仍然巨大，但方向已经清晰：当机器人学会高质量地预测未来，好的动作就会随之而来。

显然，参数竞赛的叙事正在失效，物理世界的理解深度，才是具身智能下一程的真正赛点。