Newshot

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!

Summary

斩获80000元奖金

Original text(via 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!

金磊 发自 上海 量子位 | 公众号 QbitAI

量子位 | 公众号 QbitAI

这一幕,便发生在一场具身大模型挑战赛决赛现场——

有个参赛团队在主办方已经提供高质量数据集的情况下,因为够自信,队长竟选择从零手搓新数据……

然后,最终得分82分,一举斩获比赛第一,拿下8万元大奖!

这场决赛共计48个小时,15支入围的队伍需要在如此短的时间里完成数据采集、模型调优和真机部署,并用同一套模型应对三项任务:

  • 将化妆品放入透明收纳架的指定层;

然后这个冠军团队认为,前两项都是抓取、放置问题,于是用千问识别干扰物,再在图像中按背景颜色将其抹除,让VLA更容易看清目标和目的地,前两项基本沿用官方数据。

不过到了第三个任务,他们发现官方给的210条数据,都采用的是抓簸箕把手的方式,这样不仅抓接触面小,而且稍有偏转就容易打滑、翻转。

于是,他们果断决定自己重新采集,改成抓簸箕后沿,目的就是让工具先稳下来,再完成后续动作。

但如此一来,就当于把团队大部分的精力都梭哈在了仅这个一个任务的一环里……

而正是这样的胆魄和孤注一掷,让这个团队在临近比赛前的几分钟,成绩直接反超第二名,一举夺冠!

不卖关子,正是蚂蚁灵波举办的首届具身大模型挑战赛(暨首届开发者大会)的决赛;而早在初赛阶段,便吸引力全球1855支队伍、3252名选手,最终15支队伍进入48小时真机决赛。

此次夺得冠军的队伍,则是TARS(名字取自《星际穿越》中的机器人),平均年龄只有25岁。

队长吴昊楠是即将从天津大学硕士毕业的00后,五名队员来自福田实验室、西北工业大学、普渡机器人和天津大学。

更有意思的是,在量子位与蚂蚁灵波团队交流过程中得知,他们对于TARS团队这波操作也是实属意外。

敢在决赛最后一环、把全部筹码押在自采数据上的人,这份胆量,我们愿称吴昊楠一声“自信哥”。

但若是纵观整场比赛,“自信哥”的操作还只是所有精彩中的一隅;决赛中的每个团队几乎都展示出了各自的技巧,值得具身圈的小伙伴们围观一波。

48小时的尖峰时刻(Rush Hour)

刚才我们提到被TARS临门一脚反超的团队,便是来自华中科技大学、清华大学深圳研究院及湖北元一智能的EVA团队。

他们做路演PPT时,还稳居排行榜第一的位置,可等比赛结束,名次变了,PPT里的战绩也成了这场追逐战的一个注脚。

不过,要说逆袭,EVA自己也经历了一轮。

据队长武显瑾介绍,第一天用官方公开数据训练后,他们的真机成功率大约只有10%。至于机器人为什么没做好,是很难一眼看出来的。

可能是示范数据不够干净,可能是训练方式不合适,也可能只是采集时和执行时的物体摆放对不上;要在48小时里,逐个排查再重训,时间显然是不够。

于是,EVA决定从机器人失败的地方入手。

他们让模型先执行,检查轨迹;碰到没见过的情况,或者动作已经走偏,就由人补充示范、接管纠错。而后再借助大模型评判和标注,把整理后的数据加回训练。

如此一来,机器人刚犯过的错,就有机会出现在下一轮的“复习题”里。

沿着这个思路,EVA在比赛期间完成了约7轮数据回流迭代,额外采集700多条示范与接管数据。为了让这些新数据尽快用起来,他们还对训练流程进行了优化,将训练速度提升了2.7倍,最终拿到73.83分。

EVA的这套方案正是RSI,即递归自我改进。不过,武显瑾也提到,目前的数据采集、人工接管和最终成功判定,仍然需要人参与。团队希望进一步实现的,是让机器人自己练习,再由大模型判断成败,利用这些执行记录继续训练。

换句话说,这次比赛让他们跑通了其中的一部分,也让他们看清了接下来还要补哪些环节。

而就在EVA通过持续补采数据提升成绩时,排名第三的SST团队则选择了另一条路——他们额外采集的数据,只有3条。

这个数字乍看有点夸张,但要说明的是,SST同样使用了官方数据。他们的主要精力,花在了如何处理这些已有示范上。

说到这支团队,他们还有个让人忍俊不禁的中文名,叫“老年上海观光团”。

队长是天津大学的大四学生杨泽鸣,另外三名成员都是研究生。“老年”二字,便来自他们对三位学长的调侃。

虽然名字起得比较随意,但他们的解题思路却是清晰——既然桌面上的杂物会干扰机器人判断,那能不能在机器人动手之前,先帮它把目标标出来?

为此,SST让DeepSeek解析任务指令,再把目标物体的文字提示交给SAM 3进行分割。他们保留目标区域的原始画面,将其他区域压暗,再把处理后的图像送给VLA。

这样一来,模型仍然能看到桌面环境,但这次应该操作哪个物体,就清楚多了。

可团队很快发现,这个方案还有一道坎。原始SAM 3在现场,并不能稳定地根据文字提示分割出他们需要的物体。如果目标一开始就找错,后面的动作自然也无从谈起。

SST于是想到了倒放视频,因为一段示范结束时,哪个物体被抓起、被放到了哪里,通常更容易判断。

他们先借助Agent从任务结束的画面中找到目标,再把目标的像素位置交给SAM 3,让它沿着倒放的视频持续追踪,补齐整段示范的分割标注。

有了这批数据,团队便能同时训练VLA、微调SAM 3。据杨泽鸣介绍,SAM 3的微调约需一个小时,之后就能接上前面的指令解析流程。

除此之外,他们还调整了机器人的动作执行方式。模型每次生成50步动作,他们只执行前16步,随后重新推理,并配合动作平滑处理,让操作更加精细。

靠着这些调整,SST拿到了65.87分。他们与EVA均获得二等奖,冠军TARS获得一等奖,Vida、FDU_SONIC、ai-robot则获得三等奖。

看到这里,或许会觉得,比赛的关键就是谁更会处理数据。

确实,各队都在这件事上下了功夫,但大家对“该补什么、怎么补”的判断,又很不一样。

比如,Vida团队发现公共数据中跨过桌面中线抓取的示范偏少,就补采这些困难布局;杨桃没有出现在公共数据里,他们也专门采集。

FDU_SONIC团队则一边训练、一边检查真机表现,再根据机器人失败的位置,倒推需要补充什么数据,最终取得第五名。

这些方案要在48小时内见效,训练速度也得跟上。AI基础设施出身的驰序知行将训练加速约3.7倍,在比赛期间迭代了30多个模型检查点;TARS则把单步训练耗时从约15.6秒压到3.4秒,为不断加入新数据争取了时间。

但数据采得更多,成绩也未必就会涨。

Motion团队补充任务二、任务三的数据继续训练后,发现任务一的表现反而变差了。“师兄会帮我调真机的对不队”团队则在复盘时提到,五名成员轮流采集,每个人的操作习惯都不同,有人先抬手,有人先向前,导致模型在有限时间内没能学稳。

这些经历与前三名的方案放在一起,倒是让这场比赛更有看头了,因为大家都在努力教机器人干活,但示范该怎么做、哪些经验值得保留,开发者自己也在边做边学。

蚂蚁灵波为啥要办这个比赛?

如果说数据问题还在选手们的预料之内,那么另一些团队遇到的麻烦,就更有真机实战的味道了。

例如“今天也要好好检东西”团队便做了一套可谓是相当完整的方案,他们扫描物体、搭建仿真资产,再由上层模型观察和拆解任务,让VLA执行。

可到了真机上,机器人放置物体时却频频出现偏差。团队复盘后发现,他们的机械臂与桌子之间的距离,和其他队伍相差约5厘米,影响了机器人的可达性和放置位置。

而等他们查清问题、调整位置,比赛却已经没剩多少时间……

对于习惯在软件里调模型的开发者来说,这种情况尤其容易让人措手不及。训练流程看起来没有大问题,机器人也确实在执行指令,但桌子的位置一变,原来的动作就可能不管用了。

这也解释了为什么仿真初赛已经有队伍跑到70%以上,蚂蚁灵波还要再安排一场48小时真机决赛——

硬件适配、跨任务泛化,以及短时间内定位和解决问题的工程能力,都需要放到真实机器人上验证。

尤其是这次比赛要求三项任务共用一套模型,开发者得考虑针对某一项任务做的调整,会不会影响另外两项。Motion团队遇到的成绩退步,就说明这种兼顾并不轻松。

而这便是蚂蚁灵波为什么也一直在强调原生具身的原因,正如蚂蚁灵波首席科学家沈宇军的解释:

正向开发,也就是先想机器人需要什么,再为它准备什么。

在赛场上,透明收纳架难以定位,簸箕抓不稳,各队还要反复调整动作执行方式,选手们解决的是这些看似细小、却足以让任务失败的问题。

而比赛之后,问题只会更多不会更少,例如今天调好的模型,换一套货架、改一下光照、增加几种物体,还能保留多少效果?

一言蔽之,如果每到一个新场景,都要重新采集、训练,再派人现场调试,部署成本就很难降下来。

因此,沈宇军关于数据的另一个判断,也与这场比赛形成了呼应。他认为:

行业需要寻找数据质量的下限,弄清数据达到什么标准,就能让模型获得有效增益。一味追求更高质量,会让采集成本持续增加。

无独有偶,蚂蚁灵波CEO朱兴也在现场谈到了产业落地的现实。他提醒说,“不要盲目乐观,也不要过度悲观。”

朱兴对此解释道,具身智能的Scaling Law路径还在探索,但过去一年,数据采集和供给、模型能力,以及工厂和物流场景的试点,都已有进展。他预计,从2027年开始,产业应用落地会有所加速,并带回真实作业中的异常数据,帮助模型继续迭代。眼下遇到的困难,需要靠这些具体实践一步步解决。

所以,这场比赛能够提供的一个重要参考,就是让大家看到同一个基础模型到了不同开发者手里,会怎样被使用,又会在哪里遇到困难。

当然,这些方案还是需要更多场景来验证,但开发者把有效的方法和失败的原因讲清楚,至少能让接下来的尝试更有方向。

还要把生态给打出去

事实上,有些团队已经从其他开发者的工作中受益了。

例如Vida团队在路演中提到,他们的GeoAAC方法被其他队伍用于初赛,也取得了不错的效果;Vida自己同样借鉴了其他团队的研究,继续改进方案。

也就是说,大家虽然在争同一张榜单,技术经验却已经开始流动。

对于希望打造跨本体通用大脑的蚂蚁灵波而言,吸引外部开发者参与适配,是一件值得持续投入的事情。

因为模型团队很难亲自覆盖所有硬件和任务,而外部开发者可以将模型应用到不同场景中,发现新的问题,并开发相应的适配工具,从而帮助模型不断拓展能力边界。

如果这些经验能够被整理和复用,其他人进入相似场景时,就有机会减少重复摸索。开发者反馈的问题,也能帮助蚂蚁灵波判断哪些能力需要优先改进。

也正因如此,蚂蚁灵波在现场发布了蚂蚁灵波开发者生态计划,希望为这类协作提供长期支持。

计划首期将邀请20位MVP,主要面向高校教师和科研人员;同时招募40位Developer Expert,面向核心开发者及技术内容创作者。

两类伙伴将围绕不同方向参与共建:高校教师和科研人员可以将模型实践沉淀为课程、实验案例和研究成果,工程开发者则可以贡献Demo、开源工程、评测脚本和教程,帮助更多人把模型真正应用起来。

为支持伙伴持续产出,蚂蚁灵波也将提供相应的资源与激励。面向MVP,优质课程研发可获得现金激励,并享有研发交流、合作对接等机会;面向Developer Expert,则提供产品优先内测、研发交流及作品推广等支持。

至于这些安排最终能否真正发挥作用,还要看开发者用起来是否顺手、遇到问题时能否得到回应。

课程不应当只是把实验步骤列出来,更要让学生能够独立完成;教程也不能只讲怎么做,还应说明适用条件,以及失败后该从哪里排查。

开发者向研发团队反馈的问题,若能被持续跟进并落实到后续改进中,前面的投入才算真正形成了闭环。

而具身智能尤其需要这样的积累,同一次抓取失败,可能与模型有关,也可能出在数据、标定或机械臂状态上。前一个团队若能留下排查过程,后一个团队就能少走几段弯路。

从企业的角度看,这些积累也有更长远的价值。开发者越容易上手,模型就越有机会进入新项目;项目中的问题得到解决,又能为后续部署留下可复用的工具和方法。开源模型的竞争,也会沿着这条路径,延伸到开发支持和实际应用。

正如沈宇军所说,今年围绕机器人做二次开发的项目正在增加,一些团队开始用硬件、模型和算法的组合解决具体任务。在他看来,硬件成本和模型使用门槛继续降低,将为解决方案商和二次开发团队提供更多空间。开发者能否把这些任务做成生意,也就成了观察生态价值的另一个角度。

同样的道理,首届挑战赛冠军团队TARS这次直接从零手搓数据的故事,也是有一部分经验可以被积累:他们为什么决定换抓法,怎样采到稳定的示范,这些经验可以继续被验证。以及EVA的数据回流流程、SST倒放视频的标注办法,也可以成为其他团队的参考。

总而言之,这场比赛虽然已经用48小时选出了冠军,但对于蚂蚁灵波来说,下一场考验,是让后来者少花多少个48小时。

  • 100轮图像编辑这道「毙刷题」,新出的Seedream 5.5稳上来了!2026-11-10
  • Token卷到触觉了!机器人终于有了通用手感2026-11-10
  • 顶级AI翻车的活儿,被这个新出的免费国产AI接住了!2026-11-02
  • 模型谁都买得到,拉开差距的是AI生产力系统2026-11-03

相关阅读

“智元机器人收购A股上市公司是创新需要…现金流能撑三年”

CEO邓泰华首次公开亮相

人形机器人放无人机,还能上天入海!有点过于赛博了吧

中国电信 TeleAI 不一样的具身智能路线

突然发疯!人形格斗冠军机器人凌空回旋踢,架子都干翻,现场研究员:0.0?

世界模型首次迎来“小时级”生成!蚂蚁灵波开源LingBot-World 2.0,支持AI原生多人交互

魔法原子推出高动态双足人形机器人MagicBot Z1,发布即发售

提供标准版和开发版两大系列

具身智能的数据难题,终于有了可规模化的解法

成立4个月斩获超2亿融资,Momenta百度顺为都投了

The text above was extracted automatically from the source page and may miss images, tables or code blocks. The original is authoritative.

Published by 量子位
This site only summarises and aggregates; copyright stays with the original author. Headlines and summaries follow the source — where they differ, the original wins.
Read the original ↗