# 蚂蚁灵波具身挑战赛夺冠：48小时自采数据优化VLA抓取策略

> 原文链接：https://robotics.hellobike.com/news/2026-11-17-00-48-565e81b8
> 频道：news | 更新日期：2026-11-17 | 标签：auto, rss, qbitai
> 核心摘要：TARS团队在蚂蚁灵波首届具身大模型挑战赛夺冠，通过重采簸箕后沿抓取数据解决打滑问题。EVA与SST团队分别利用递归自我改进及倒放视频标注提升真机表现，验证了高质量数据对VLA模型泛化的关键作用。

# 蚂蚁灵波具身挑战赛夺冠：48小时自采数据优化VLA抓取策略

::: v-pre
> 本文由 AI 根据公开内容整理，可能有误，请以原文为准：[真勇啊！00后团队参加具身挑战赛，仅48小时竟敢从零手搓数据，还夺冠了！](https://www.qbitai.com/2026/11/510610.html)（量子位）

## 核心内容

蚂蚁灵波首届具身大模型挑战赛决赛要求15支队伍在48小时内完成数据采集、调优与真机部署。冠军TARS团队针对双臂清扫任务中官方数据抓簸箕把手易打滑的问题，果断放弃部分官方数据，重新采集抓簸箕后沿的示范数据以稳定工具姿态，并将单步训练耗时从15.6秒压缩至3.4秒，最终以82分反超夺冠。亚军EVA团队采用递归自我改进（RSI）策略，通过人工接管纠错补充700余条数据，将训练速度提升2.7倍；季军SST团队仅补采3条数据，利用倒放视频追踪微调SAM 3并调整动作执行窗口，有效解决了视觉分割不稳难题。

比赛暴露了真机部署中硬件适配与跨任务泛化的工程挑战，如机械臂与桌面距离偏差5厘米即导致放置失败，以及单一任务数据增强可能引发其他任务性能退化。蚂蚁灵波首席科学家沈宇军强调“原生具身”正向开发理念，指出行业需探寻数据质量下限而非盲目追求高质量以控制成本。CEO朱兴预计2027年产业应用加速，真实异常数据将反哺模型迭代。赛事同期发布开发者生态计划，招募MVP与Expert共建课程、Demo及评测脚本，推动跨本体通用大脑在不同硬件与场景下的适配验证与经验复用。

## 关键看点

- **抓取策略重构**：TARS团队将簸箕抓取点由把手改为后沿，增加接触面防止翻转打滑，配合千问识别干扰物并按背景色抹除，显著提升VLA目标识别与操作稳定性。
- **递归自我改进**：EVA团队建立“执行-检查轨迹-人工接管-大模型标注”闭环，在比赛期间完成约7轮数据回流迭代，额外采集700多条示范与接管数据，训练提速2.7倍。
- **视觉标注增强**：SST团队利用Agent定位任务结束帧目标，通过倒放视频追踪补齐SAM 3分割标注，微调耗时约1小时；推理时仅执行生成动作的前16步并配合平滑处理，提升操作精度。
- **数据质量下限**：蚂蚁灵波提出寻找数据质量有效增益的下限标准，避免过度追求高质量导致采集成本激增；强调真机验证硬件适配与跨任务泛化能力，仿真高分不等于实机可用。

## 工程与产业观察

本次竞赛验证了在VLA模型落地中，针对特定物理交互痛点（如抓取力学稳定性）的小规模精准数据重采，比单纯扩大通用数据集更具性价比。同时，递归自我改进与倒放视频标注等低成本数据清洗手段，为缺乏海量真机数据的团队提供了可复用的工程范式。产业侧应关注从“刷榜”转向构建数据质量基准与故障排查知识库，以降低具身智能二次开发的边际成本。
:::

## 原始参考来源 (Sources)

- [量子位：真勇啊！00后团队参加具身挑战赛，仅48小时竟敢从零手搓数据，还夺冠了！](https://www.qbitai.com/2026/11/510610.html)