機(jī)器人前瞻（公眾號(hào)：robot_pro）
作者 李水青
編輯 漠影

機(jī)器人前瞻1月9日?qǐng)?bào)道，近日，在真機(jī)基準(zhǔn)測(cè)試平臺(tái)RoboChallenge上，自變量機(jī)器人開源端到端具身智能基礎(chǔ)模型WALL-OSS以54.69分的成績(jī)，成功率35.33%，位列總分榜單第二，超越國(guó)際知名具身智能模型pi0。

在疊洗碗巾、按按鈕、澆盆栽等多個(gè)具體任務(wù)中，WALL-OSS拿下單項(xiàng)第一，展現(xiàn)出在真實(shí)物理環(huán)境中的穩(wěn)定執(zhí)行能力。

在這樣的“公開考場(chǎng)”中，WALL-OSS的表現(xiàn)成為一次來自中國(guó)開源具身智能模型的公開能力驗(yàn)證。

一、WALL-OSS 拿下多項(xiàng)第一

從RoboChallenge公布的榜單來看，參與評(píng)測(cè)的模型覆蓋了多種技術(shù)路線與研發(fā)背景：既包括來自國(guó)際研究機(jī)構(gòu)與創(chuàng)業(yè)公司的閉源模型，也有少量開源模型參與同臺(tái)競(jìng)技。

▲RoboChallenge榜單情況

其中，自變量推出的WALL-OSS模型得分高于美國(guó)具身智能創(chuàng)企Physical Intelligence推出的模型pi0，逼近后者的最新開源模型Pi0.5，三者居于榜單前三位，都是開源模型。

在具體任務(wù)層面，WALL-OSS在多項(xiàng)精細(xì)操作任務(wù)中取得第一。

這些任務(wù)并不追求復(fù)雜場(chǎng)景堆疊，而是高度貼近真實(shí)世界中機(jī)器人的核心應(yīng)用場(chǎng)景——物體識(shí)別、狀態(tài)判斷、動(dòng)作連續(xù)執(zhí)行與誤差修正。這也是RoboChallenge設(shè)計(jì)任務(wù)的核心邏輯：用最“樸素”的任務(wù)，檢驗(yàn)?zāi)Ｐ褪欠裾娴睦斫獠⑦m應(yīng)物理世界。

▲RoboChallenge在按按鈕任務(wù)中成功率達(dá)60%

整體趨勢(shì)非常清晰——具身智能正在從“演示級(jí)別”走向可對(duì)比、可量化的工程階段。

在這一背景下，WALL-OSS 的代表性進(jìn)一步凸顯。其在參數(shù)規(guī)模上作出取舍，通過4.2B參數(shù)體量，將具身智能模型的訓(xùn)練與部署門檻壓到消費(fèi)級(jí)顯卡，大幅降低了落地成本。

二、為何開源模型的成績(jī)更“貨真價(jià)實(shí)”？

與大語(yǔ)言模型常見的榜單不同，具身智能測(cè)評(píng)本質(zhì)上是一類完全不同的“考試”。

在RoboChallenge等平臺(tái)上，評(píng)測(cè)任務(wù)提前公開，從形式上看更接近“開卷考試”。但最終的評(píng)分依據(jù)，并非模型生成的文本或中間結(jié)果，而是機(jī)器人是否在真實(shí)世界中完成了指定動(dòng)作。

這意味著，模型需要應(yīng)對(duì)的是：物理誤差與環(huán)境噪聲、傳感器不確定性、連續(xù)動(dòng)作中的累積偏差，以及大量未被顯式建模的現(xiàn)實(shí)變量等。

真正決定成績(jī)的，是模型在面對(duì)現(xiàn)實(shí)世界時(shí)的泛化能力與執(zhí)行穩(wěn)定性。

正是在這一規(guī)則下，開源模型的獨(dú)特價(jià)值被進(jìn)一步放大。

對(duì)比閉源模型，完全開源、公開代碼與權(quán)重的模型而言，其成績(jī)具備完全可復(fù)現(xiàn)性。外界可以清晰判斷：模型是否依賴未公開模塊，是否通過特殊工程手段規(guī)避難點(diǎn)，是否存在只針對(duì)評(píng)測(cè)任務(wù)的定向優(yōu)化。

這使得評(píng)測(cè)結(jié)果更接近對(duì)模型基座能力的檢驗(yàn)，而非團(tuán)隊(duì)工程技巧的展示。

從這個(gè)角度看，WALL-OSS在RoboChallenge上取得的成績(jī)，并不僅是一個(gè)名次，更是一種技術(shù)透明度下的能力證明。這種“在陽(yáng)光下競(jìng)爭(zhēng)”的結(jié)果，也為行業(yè)提供了更可信的比較參照。

▲自變量機(jī)器人具身智能模型支持機(jī)器人疊衣服

三、做行業(yè)“基礎(chǔ)設(shè)施”，開源凝聚生態(tài)之力

從開源技術(shù)路徑來看，WALL-OSS并非通過壓縮能力換取小體量，而是在架構(gòu)層面做出了針對(duì)性設(shè)計(jì)。其核心技術(shù)路徑包括：

1、通過 “共享注意力 + 專家分流” 的創(chuàng)新架構(gòu)，解決視覺-語(yǔ)言模型向視覺-語(yǔ)言-動(dòng)作模型遷移過程中常見的 “災(zāi)難性遺忘” 與 “模態(tài)解耦” 問題；

2、采用 “先離散、后連續(xù)、再聯(lián)合” 的訓(xùn)練范式，在統(tǒng)一框架內(nèi)融合了思維鏈推理能力與精細(xì)動(dòng)作生成能力，避免了傳統(tǒng)方案中理解與執(zhí)行割裂的問題。

這種路徑并不強(qiáng)調(diào)單一模塊的極致性能，而是圍繞“端到端”這一目標(biāo)，確保模型在感知、推理與動(dòng)作之間形成穩(wěn)定閉環(huán)。

在當(dāng)前具身智能生態(tài)中，不少方案仍停留在模塊拼接階段，或依賴閉源組件完成關(guān)鍵能力。相比之下，在同等參數(shù)規(guī)模下，WALL-OSS是少數(shù)真正實(shí)現(xiàn)理解—規(guī)劃—執(zhí)行一體化的開源統(tǒng)一模型之一。

這使其在生態(tài)層面具備明確定位——不僅是一個(gè)“可用模型”，更是一個(gè)可被二次開發(fā)、復(fù)現(xiàn)與擴(kuò)展的基礎(chǔ)能力底座。

從自變量機(jī)器人的策略來看，選擇開源并非一次短期傳播行為，而是對(duì)具身智能發(fā)展路徑的判斷。

具身智能的復(fù)雜度，決定了任何單一團(tuán)隊(duì)都難以在短時(shí)間內(nèi)覆蓋所有場(chǎng)景與問題。與其封閉迭代，不如通過開源方式，盡早建立可驗(yàn)證、可擴(kuò)展的技術(shù)底座，讓更多研究者與開發(fā)者在同一基礎(chǔ)上探索。

在這一邏輯下，WALL-OSS更夯實(shí)了“基礎(chǔ)設(shè)施”式的存在。其目標(biāo)并非在短期內(nèi)覆蓋所有應(yīng)用，而是試圖為行業(yè)提供一個(gè)可靠、低門檻、可持續(xù)演進(jìn)的起點(diǎn)。

結(jié)語(yǔ)：中國(guó)具身智能開源力量正在崛起

WALL-OSS在RoboChallenge上的表現(xiàn)傳遞出一個(gè)信號(hào)：中國(guó)團(tuán)隊(duì)不僅在參與這場(chǎng)競(jìng)賽，而且正在以開源、透明、可復(fù)現(xiàn)的方式，進(jìn)入全球具身智能能力對(duì)比的主舞臺(tái)。

隨著真機(jī)評(píng)測(cè)、統(tǒng)一基準(zhǔn)與開放生態(tài)逐步成熟，具身智能正在告別“概念展示期”，進(jìn)入更殘酷、也更真實(shí)的工程階段。而在這一階段，誰(shuí)能提供穩(wěn)定、可信的基礎(chǔ)能力，誰(shuí)就更有可能成為下一輪創(chuàng)新的起點(diǎn)。

從這個(gè)意義上看，WALL-OSS的出現(xiàn)，或許只是中國(guó)具身智能開源力量正在崛起的一個(gè)開始。