新闻极客公园5 天前
蚂蚁灵波具身挑战赛:LingBot-VLA 2.0真机评测验证数据工程范式
本文由 AI 根据公开内容整理,可能有误,请以原文为准:最大规模具身大模型挑战赛落幕,48 小时真机总决赛比出了什么?(极客公园)
核心内容
首届蚂蚁灵波具身大模型挑战赛在上海收官,15支战队在48小时内基于统一开源模型LingBot-VLA 2.0、松灵COBOT MAGIC机器人及现场算力,完成蔬果摆放、化妆品收纳及双臂清扫三项真机任务。冠军团队TARS通过引入大模型识别干扰物并优化抓持补偿,以82分夺冠;季军SST团队仅额外采集13条数据,结合DeepSeek任务理解与视觉分割,取得65.87分,证明了少样本高精度数据的有效性。
比赛揭示了具身智能从“堆数据”向“数据工程”转型的趋势。EVA团队通过7轮迭代将失败案例转化为约1200条训练数据,成功率升至73.83%;FDU_SONIC团队深挖官方647条轨迹获第五名。技术层面,开发者采用冻结预训练参数防止灾难性遗忘、压缩单步训练至3.4秒加速迭代、以及利用残差学习等策略。赛事表明,基础模型已承担底层感知与动作生成能力,开发重心正转向针对物理世界误差的适配与多模型协同推理。
关键看点
- 少样本协同:SST队仅补采13条数据,利用DeepSeek理解任务+视觉分割定位+LingBot-VLA 2.0执行,冻结部分参数避免破坏通用能力,真机得分65.87。
- 数据工程制胜:冠军TARS队用大模型过滤视觉干扰并补偿机械臂负重下坠偏差,单步训练压缩至3.4秒,最终得分82;EVA队经7轮迭代将失败转数据,成功率达73.83%。
- Sim2Real鸿沟:评测团队发现仿真与真实桌面存在约5cm尺寸偏差导致动作失效,证实纯数字环境方案无法直接迁移,需针对物理世界的摩擦、光线及机械误差进行专项适配。
- 基模能力边界:LingBot-VLA 2.0已具备基础视觉与动作生成能力,开发者无需重训底层,转而聚焦于指令拆解、目标识别及动作模块微调,降低了非机器人背景团队的入门门槛。
工程与产业观察
本次挑战赛确立了具身智能“基模+数据工程”的新范式。LingBot-VLA 2.0等基础模型已解决通用感知与动作生成问题,竞争壁垒转移至对模型能力边界的理解及高质量增量数据的构建。工程实践表明,盲目全量微调易致灾难性遗忘,而“通用大模型规划+VLA执行”的协同架构及针对物理误差的补偿机制,是当前低成本实现真机落地的最优解。
外部来源
本页事实对应的公开页面,以原文为准。(点击将离开本站)
- 极客公园:最大规模具身大模型挑战赛落幕,48 小时真机总决赛比出了什么? ↗访问 2026-11-17