
文|周小燕
编辑|徐青阳
“比赛第一天,我们拿到官方提供的公开数据集进行训练,却发现我们模型的成功率大概只有10%。”
11月16日上午,在上海张江科学会堂举行的首届蚂蚁灵波具身大模型挑战赛决赛路演现场,来自“EVA”战队的武显瑾讲述了团队在过去48小时里的经历。
“而在比赛结束的时候,我们队伍的方案实现了大概70%的真机成功率。”
从10%到70%,他们只用了48小时。
11月14日上午,比赛刚开始时,武显瑾和队友在会场的工作间里拿到了赛题。他们需要操控机械臂抓起桌上的果蔬,将一盒化妆品放进透明盒,还要让两只机械臂配合,把桌上的碎屑扫进收纳筐。

工作间里,15支决赛队伍各占一张桌子。桌上的机械臂是同一型号,使用的也是同一套模型——蚂蚁灵波开源的LingBot-VLA 2.0。赛方提前提供了一批训练数据,参赛者可根据需要在现场补充采集。
48小时后,各队的方案将接受三轮真机测评,取最好的一轮成绩计分。
今年9月,首届蚂蚁灵波具身大模型挑战赛在外滩大会上启动,共吸引1855支队伍、3252人报名,参赛者来自13个国家的648所高校、科研院所和企业。
最终只有15支队伍进入决赛,也就是说,平均每124支报名队伍中,只有一支能够晋级。他们中有即将毕业的00后硕士,有从大厂请假赶来的工程师,也有第一次把代码跑上真机的学生。
同样的模型、同样的设备和赛题,交给不同的开发者,48小时能跑出怎样的结果?
过去,模型的能力更多通过榜单和演示视频呈现。到了决赛现场,哪些动作可以直接完成,哪些需要补采数据、重新训练,只有上机试过才知道。
01 48小时真机里的人、问题与选择初赛在仿真环境中进行,持续一个多月。
截止当晚11点49分,“有手就行”战队队长田文善提交了最后一版模型,拿到66分。国庆前,他的成绩还不到60分。为了再提高几分,他取消了休假,连续调试了七天。

田文善和两位队友都有自动驾驶从业经历。刚参赛时,他按照官方参考流程跑了一遍,成绩只有20多分。
他们尝试借鉴自动驾驶领域的方法,让模型预测相邻两帧之间的关节角度变化,而不是直接预测关节的绝对角度。仅这一项调整,初赛成绩就提高了5至7分。此后,他们又在训练中旋转图像、加入噪声,或随机将一路摄像头的画面变灰、变黑,减少模型对单一视角的依赖。
但到了真机上,问题可能出在意想不到的地方。
第一次接触真机的“416一定行”战队,在决赛第二天运行模型时,不小心挪动了桌子,导致训练了7000步的模型几乎无法使用。
“EVA”战队第一天使用赛方提供的数据训练,模型的真机成功率只有约10%。武显瑾和队友决定先让机器人上机测试,再根据实际表现,有针对性地补充数据。
“我们想的不是怎么调LingBot-VLA 2.0,而是怎么在它上面把RSI跑起来。”武显瑾说。RSI即递归自我改进。机器人每完成一轮测试,AI就会对数据进行标注、筛选,并给动作轨迹打分。遇到失败的情况,队员接管机器人,补采示范数据,再用于下一轮训练。48小时里,他们完成了7轮迭代,补采700多条数据,最终将真机成功率提高至约70%,获得二等奖。
对“FDU_SONIC”战队来说,能反复上机测试,本身就不容易。队长李新宇所在的实验室没有机械臂,几个人凑了2000元买来一台双臂机器人。中途坏了两个舵机,他们只好拆下零件互相替换。后来,李新宇干脆把行军床搬进实验室,一住就是近两周。到了决赛,他们边训练边测试,发现哪种初始摆放容易出错,就针对性地补采数据,最终排名第五。
“TARS”战队则把时间押在了第三项任务——双臂清扫上。前两项抓取和放置即使拿满,也只有60分。队员发现,赛方提供的两百多条示范采用同一种抓法,接触面小,物体容易翻转。“为什么非要这么抓呢?”他们决定改抓物体边缘,舍弃原有数据,重新采集。
换了抓法,真机测试又暴露出新问题。机械臂伸得越远,下坠越明显,原本要放下物体,却变成了向前推。赛方样本中最重的物体只有100克,队员找来一瓶500克的矿泉水重新测量,再根据真机数据补偿偏差。最终,“TARS”以82.5分获得一等奖。
也有队伍只补充了少量数据。“SST”战队额外采集了13条数据,利用DeepSeek解析指令,再通过SAM3压暗目标物体以外的画面,最终以65.87分排名第三,获得二等奖。
上海交通大学副教授李永露认为,统一模型、硬件和赛题,让不同队伍的调试方法有了可比性。同一道题,有人针对失败动作补采示范,有人着重提高模型对目标物体的识别能力。这些经验也能为其他开发者提供参考。
比赛中暴露的问题,也指向具身智能行业长期面临的评测难题。

在同期举行的蚂蚁灵波首届开发者大会产业圆桌上,评测成为讨论的焦点。
智源研究院院长王仲远指出,过去一两年,各类模型榜单不断刷新纪录,但真机部署效果往往不及预期。比起单纯比较分数,他更关注模型进入真实场景后,需要多少人采集数据、多少工程师参与部署,以及多久才能达到预期效果。
上海交通大学副教授李永露也谈到,仿真评测成本低、迭代快,在模型能力验证上有不可替代的作用,但真机评测同样不可或缺。真正的评测还要考虑机器人面对电机过热、传感器失灵等问题时,能否继续完成任务。这类问题只有在接近真实部署的环境中才会暴露。
睿尔曼智能创始人兼CEO郑随兵则把标准推向了实际应用。他认为,机器人是否真正有用,要看它能否持续工作、需要多少人工介入,以及能否创造经济价值。“用户才是最终的评测员。”
蚂蚁灵波CEO朱兴补充说:“仿真、真机评测和真实部署检验的是不同层次的问题。某些泛化短板,即使在前期真机评测中也看不出来,要到客户现场部署、向其他场景复制时才会暴露。”朱兴也认为,基础模型的评测标准需要学术界、模型厂商、场景方和中立机构共同建设。
02 为什么真机这么难?具身智能的物理世界挑战抓偏、滑落、够不到。为什么机器人一进入真实世界,就变“笨”了?
蚂蚁灵波首席科学家沈宇军将机器人进入物理世界面对的难点概括为三重挑战:机器人的感知输入不可避免地存在噪声;执行动作必须与物理环境发生真实交互;现实世界不会停下来等待模型完成推理。

以药房取药为例。通用大模型已经能够理解要取哪盒药,也能把任务拆解成几个步骤。但真正伸手时,机器人还要判断药盒的位置、距离和遮挡关系,决定从哪个方向靠近,接触药盒后,还要判断是否抓稳、药盒有没有滑动,并及时调整动作。这些信息,无法从互联网数据中获得。
这也是蚂蚁灵波坚持“具身原生”技术路线的原因。
所谓“具身原生”,不是简单地把通用大模型装进机器人,而是从机器人在物理世界中完成任务的实际需求出发,构建相应的感知、预测和执行能力。

这套体系中的每个模块,都对应一个真实的物理难题。以触觉为例,LingBot-Touch使用近5000小时的真实触觉数据进行预训练,把不同传感器的信号转换成统一的触觉Token。
一组拉拉链实验中:在Sharpa Wave平台上,π0.5模型不使用触觉信息时,成功率为39%;直接输入传感器原始读数,成功率反而降至15%;换成经过LingBot-Touch处理的触觉Token,成功率则提高至59%。
这意味着,有了触觉传感器,不等于机器人就能利用好触觉。关键还在于模型能否理解这些信号,并据此调整动作。

眼下,具身智能仍处于快速迭代阶段,技术路线尚未收敛,行业也还没有找到明确的Scaling Law。
蚂蚁灵波CEO朱兴在大会上提醒,不应因为个别热点就盲目乐观,也别过于悲观。行业仍在寻找一个关键问题的答案:究竟什么样的数据,扩大规模后才能真正带来模型能力的提升?
这场48小时的比赛没有给出所有答案,却提供了一个更具体的观察角度:一套模型在原团队手里表现出色,只是第一步。交给陌生的开发者后,能否被快速理解、灵活改造,并在真机任务中经受检验,才更能体现开源的价值。
下一张真正有价值的榜单,不在模型团队自己的实验室里,而在开发者手里。







