据 PRNewswire 十月九日电，ROBOTERA 的世界动作模型 VPP2 在具身智能基准 RoboDojo 上排名第一，而且是在没有额外数据、也没有基于代理的强化自我改进的情况下做到的。据量子位同日报道，清华背景的具身模型团队同样在长程任务上取得突破：引入 VLM 子任务规划后，长程任务平均成功率从百分之二十七点六提升到百分之五十七点六。两条消息合在一起，指向同一个变化——物理 AI 的范式正在从「外挂堆数据」转向「模型本身懂世界」。

不靠外挂数据登顶，难在哪？

现在不少具身模型靠海量演示数据和不断自我迭代堆出高分，数据一停就露馅。VPP2 的看点是世界动作模型路线：模型先学物理世界怎么演化，再据此规划动作。RoboDojo 考的是长程、多步、跨场景任务，恰好是纯模仿学习最容易断链的地方。在不加额外数据和自我进化的条件下拿第一，说明它学到的是可泛化的物理直觉，而不是背下来的轨迹。

世界动作模型离真机器人还有多远？

榜上第一不等于工厂第一。RoboDojo 是仿真加真实混合的基准，真机上的摩擦、负载和意外干扰 still 要靠硬件和控制栈兜底。但 VLM 加世界模型的两层结构——高层规划、底层预测执行——正在成为主流配方。如果这套路线能把成功率从不到三成拉到接近六成，长程家务和柔性制造里的「最后几步」就不再是神话。具身智能的下一个坎，是把基准上的数字搬进真实车间。

世界动作模型会取代端到端模仿学习吗？

不靠外挂数据登顶，说明模型内部的物理模型开始起作用了。但端到端模仿学习在很多具体任务上仍然便宜有效。未来大概率是混合路线：世界模型负责长程规划，模仿学习负责精细控制。VPP2 的价值在于证明了「先理解世界再动手」这条路线能在基准上赢。下一步是看它在真机上能不能把这种理解转化成稳定、可重复的成功率。

去论坛讨论

前往 silicon-agi.com 论坛 参与讨论