作者:吕鑫燚
具身智能基模长期被一个问题困扰,能力可以证明,但很难被证伪。
模型团队自己选择任务、数据、硬件、评测方式进行演示。但公布的真机视频里看不到失败重试,仿真榜单也很难呈现完整的测试条件。这并不意味着外界看到的结果被夸大,只是外界很难看到真实复核。
于是“被看见”“被验证”成为基座模型最需要走补上的一课。
蚂蚁灵波的具身模型挑战赛正是对这一困境的回应。11月16日,首届蚂蚁灵波具身大模型挑战赛在上海收官。从初赛来自13个国家的1855支队伍中选拔出15支队伍,在48小时内基于同一个LingBot-VLA 2.0、同一款松灵COBOT MAGIC设备,完成数采、调优和真机部署。
模型由此离开原厂实验室,同一底座经不同团队修改并验证。成功与失败,也因此在同一套条件下被看见,这比原厂演示更接近“证据”二字。
赛场上的统一赛题让模型能力有了可比较的基础,而真实世界的多样化需求,则提供了更丰富的检验场景。
在场外,一些海外开发者已经自发把蚂蚁灵波的模型接进了自己的项目。泰国的农场巡检、法国的游戏原型、瑞士的珊瑚礁研究……这些项目没有统一命题,开发者只关心模型能否解决眼前的问题。
这些项目还共同指向一个经常被具身智能叙事忽略的事实,真实需求并不稀缺,关键在于模型能否以足够低的成本进入解决方案。正如一位投资人对具身研习社分享的判断,应用层迟迟没有爆发,并非商业化需求不清晰,而是技术底座尚未成熟。移动互联网也是在操作系统接住通信、定位等通用能力后,应用创新成本才开始下降,繁荣才有了根基。
一场有组织的决赛,和一组没有统一命题的海外项目,共同检验了同一件事,模型只有离开原厂演示,进入别人的任务、设备和工作流,其能力才开始具有产业价值。

48小时里,15支队伍,赛题有三项,一是用单臂抓取水果和蔬菜,二是用单臂抓取化妆品并放入透明盒,三是用双臂配合清扫桌面垃圾,再倒入收纳筐。每项任务有三次提交成绩的机会,最终成绩以最高分数为准。
对选手来说,这是一场时间有限的黑客松;对模型来说,这是一次被集中压缩的压力测试。设备、规则和评测条件被统一,参赛者的技术背景与工程习惯却无法统一。有人熟悉自动驾驶,有人做视觉识别和算法,有人长期从事机器人研究,也有人第一次接触双臂真机。同一个模型由此被带进不同的技术路径,而不是继续沿着原厂预设的路线运行。
冠军队伍TARS最终获得82分。面对不同任务,他们采用了两套策略:一套修改模型的输入,一套改变数据的采集方式。在收纳化妆品和蔬果分类任务中,TARS引入千问模型生成视觉遮罩,屏蔽无关画面,只让模型看到目标物与目的地,提高真机操作的准确率。两个任务分别拿到了100%、90%的成功率。
垃圾清扫的任务中,他们认为卡点出在数据上。于是选择弃用了官方提供的216条相关数据,将抓握位置从簸箕把手改到簸箕后沿,并基于新的操作方式重新采集334条数据,最终将真机成功率提高至60%。
TARS补采数据的思路,也是大多数队伍的选择。有队伍选择将一个选手的大部分时间都专注在采集数据环节,最终结合官方数据集达成1200条数据集。
亚军EVA队伍将最近业内讨论度极高的RSI路径为主要策略,构建自主执行−自主评测-纠错补采-再训练的闭环。机器人每次尝试的结果进入下一轮训练,人在失败时介入纠正,其余都自动完成。经过705条现场示教与接管数据、7轮数据回流和110余次真机自主测试,其真机成功率从最初约10%提升至70%,最终得到73.83分。
但这场比赛并不是一道“数据越多,分数越高”的题。有的队伍在路演现场直言,因对具身数据理解不足,导致采集了上百条数据后,反而出现分数更低的情况。相反SST队伍则只采集了13条数据,拿到了第三名的位置。其用大语言模型解析指令、SAM3出掩码、把掩码外像素压到0.1,让VLA只当执行器,最终拿到65.87分。他们还用倒放视频反推任务结束状态,再据此引导SAM3分割,是这场里少见的“用工程绕开数据”的路子。
此外,决赛队伍里还有通过infra提高速度、改善推理速度等路径。不同路径指向了同一个事实。多支队伍在同一环节反复受阻,暴露的是共性瓶颈;不同团队沿着不同方法都能取得提升,则说明基座中确实存在可以复用的能力。成功不再只是原厂视频里的一次展示,失败也不再只能由原厂解释。
在这场比赛中证明自己的不只是选手,还有LingBot-VLA 2.0。它证明的不是48小时足以解决所有真机问题,而是同一个基座能够承载截然不同的技术方案,并让外部团队完成从数据到部署的闭环。对具身基模而言,这比一次无法复核的成功更重要,能力可以被调用,边界可以被定位,改进也不再只发生在原厂实验室。

无论是初赛还是决赛证明的是模型能力,但能力并不只在赛场上成立。
在48小时黑客松中,模型进入从感知到执行的完整过程,把接收到的真实世界信息转化为一次物理操作。
离开赛场,工作流的起点不再是赛题,而是需求。
泰国Frontier RoboFarm团队需要解决的问题,是让巡检机器人分清两座几乎一模一样的温室。机器人穿过第一座棚、经过院子,再进入第二座棚时,相机看到的过道极其相似,建图系统一旦把它们误判为同一空间,地图就会少一座温室。团队让六种视觉方法处理同一路线的1296帧画面,只有LingBot-Map保留了两座温室及它们的相对位置。
法国开发者 Hugo Hernández 则在思考,一个可以前进、转向的 AI 世界,怎样进一步成为有目标、有事件的游戏?他的项目Alakazam 尝试在世界模型之上加入可编排的游戏逻辑。通过接入 LingBot-World 2.0,使用模型的实时提示词控制和 WASD 移动能力,让生成画面与游戏事件连接起来。
在演示中,游戏逻辑通过节点图组织。视觉语言模型读取当前画面,系统根据玩家状态触发事件,例如随着生存时间增加,出现新的武器或怪物,再把事件反馈给生成中的世界。LingBot-World 负责生成可交互画面,Alakazam 则管理规则、状态和事件。
瑞士EPFL的DeepReefMap项目又向前走了一步。LingBot-Map被接入珊瑚礁研究流程,负责将水下视频转换为空间信息,项目再结合分割、统计和可视化模块,生成语义点云与海底覆盖情况统计。模型输出不再是终点,而是下一道工序可以直接使用的输入。
这些项目调用的是蚂蚁灵波大脑全栈2.0的不同模型,却都在验证同一件事,模型能否嵌入不同的工作流,与已有设备、数据和工具衔接,并交付下一步可以继续使用的结果。
由此可见,应用层的繁荣,也不一定首先表现为大量功能同的机器人产品。它可以是温室团队补上建图能力、游戏质感的提升、研究者缩短珊瑚礁重建流程。蚂蚁灵波为这种繁荣提供的技术前提,正是将感知、预测和动作能力做成可以被独立调用、又能重新组合的具身原生模型。

一项技术进入产业,需要回答两个不同的问题,它能否让更多人做出过去做不到的东西,以及这些东西能否以可承受的成本投入真实使用。前者决定产业的可能性,后者决定商业上的可行性。
蚂蚁灵波的开发大赛与海外开发者应用案例,分别提供了观察这两个问题的样本。
48小时黑客松的产业价值,首先在于生态。蚂蚁灵波开放基座模型,提供统一的数据、真机和开发工具,外部团队不必从采集大规模数据、训练一个VLA模型开始,而可以直接进入任务定义、数据补全和部署优化。不同队伍留下的方案与失败经验,也让模型有哪些能力、还缺哪些能力,不再只有原厂知道。
这意味着,产业中的其他团队不必重复完成从零到一。他们可以将有限的资源投向更靠近自身问题的环节。一个特定任务需要怎样的数据,一台设备需要怎样的适配,一次失败应该怎样修复。基模无法替代这些工作,但它改变了这些工作的起点。对仍处在早期的具身智能行业来说,能否让更多团队以同一个能力起点继续研发,是生态能否形成的重要前提。
海外开发者案例体现的则是另一面:提效。
这里的提效,不只是节省了多少小时,更是少建设一套系统、少重复一次底层研发,让已有工作流增加一项过去不具备的能力。模型由此进入真实的成本结构:调用和适配它需要付出什么,又能替代什么。
这两种价值,都指向灵波坚持“具身原生”的理由。
从真实物理世界的需求中走出,因此空间感知、世界预测和动作执行因此被放在同一套技术体系中研究。
蚂蚁灵波首席科学家沈宇军曾把机器人面对物理世界的挑战概括为三点:输入有误差、输出要经受物理交互的检验、物理世界的任务不会等待模型。蚂蚁灵波的选择,是围绕物理作业设计模型能力,打造具身原生通用大脑,用他的话说,“让机器人想得更清楚、摸得更灵敏、想得更明白、干得更利索”。
不过,单点的技术能力要变成产业底座,还差一步:开放。
具身原生沉淀的,物理交互中那些可以共用的经验,任务变化时,不必完全重学;硬件和场景变化时,已有经验仍有机会保留。能力如果只留在原厂,降低的只是自己的研发成本,只有当它被开放出来,产业里,的每一个新团队、每一个新项目,才不必重新发明一轮“机器人大脑”。
这场比赛和场外那些海外项目,也正是开源之后才可能出现的检验方式,它们反过来为这套能力是否值得被复用,提供了原厂商之外的答案。
比赛让这种能力接受外部检验,真实项目则检验它是否值得采用。前者打开生态,后者进入生产流程;前者证明更多人可以基于灵波继续开发,后者证明这些开发能够转化为实际效率。
特别声明:本文为合作媒体授权DoNews专栏转载,文章版权归原作者及原出处所有。文章系作者个人观点,不代表DoNews专栏的立场,转载请联系原作者及原出处获取授权。(有任何疑问都请联系idonews@donews.com)



