Surpassing π0, Chinese Team Tops Embodied Intelligence Leaderboard with 1B Parameter Model

Full text · 原文 4,767 字

田晏林发自凹非寺 量子位 | 公众号 QbitAI 谁能想到，在全球具身智能操作能力的顶级榜单上，打败海外标杆模型π0的，居然是一个只有1B级参数的轻量级模型。 近日，全球具身智能领域关注度最高的公开榜单之一Evo-SOTA更新排名。 优艾智合研发的FabriVLA，在多任务操作核心基准Meta-World MT50中，以90.0%的tier-average成功率登顶第一，超过包括π0在内的一众国际知名模型。 在没有堆叠数百亿参数的情况下，这个小身板模型在全难度梯度测试中拿到SOTA，其轻量化设计也为部署到机器人边缘端提供了基础。 Meta-World MT50的抓取、放置、开门、插拔等操作，与工业场景的基本工序高度重合，考验的正是在不同任务下的多任务能力和操作稳定性。 而这，恰恰是工业场景最看重的能力。 榜单成绩证明的是算法性能，但工业真正需要的是落地真实环境。 过去9年，优艾智合在半导体、能源化工、锂电等行业完成800+真实场景交付。 近期，该公司又趁热打铁推出了工业具身智能大模型「智合」FabriX与工业原生人形机器人「隙锋」，并喊出了一个极其激进的口号： 3年内，赋能10000个工业现场。 原本外界还觉得这步子迈得太大，但「隙锋」首发当日获得4000台意向订单。 而今，FabriVLA拿下全球SOTA，也让这4000台订单背后的逻辑越发清晰： 工业客户看重的，从来不是参数有多大，而是谁更好用。 1B级模型如何登顶具身智能Benchmark？ FabriVLA登顶绝非一次偶发的运气暴击。 Evo-SOTA作为全球具身智能领域重要公开评测榜单之一，汇聚了全球高校与科技公司的主流模型。 所有结果均基于公开发表论文，具备极高的行业参考价值。 而在它选用的Meta-World MT50基准中，包含了整整50个不同任务，覆盖抓取、放置、推动、开门、插拔等多类复杂操作。 它考验的不是机器人死记硬背某一个特定动作的上限，而是同时掌握50项不同任务的多任务操作能力。 这与工业一线的诉求不谋而合。 产线上的组件千变万化，机械臂如果换个工件就罢工，对工厂来说就是灾难。 FabriVLA能拿下第一，意味着轻量化VLA模型同样可以具备顶级具身智能操作能力，为工业具身智能落地提供了模型基础。 但这引起不少人的好奇：为什么一个1B参数模型，可以击败更大的模型？ FabriVLA选择围绕机器人操作任务重新设计神经网络架构。 传统VLA模型往往陷入盲目扩增参数的困局，靠硬背关节角度来应对复杂场景。 FabriVLA却提出两个关键创新： 门控自注意力机制：让模型预测出的一连串动作前后互相「看见」、彼此配合，并通过一个从零渐进打开的门控逐步学会动作间的时序衔接，执行复杂装配这类长序列动作时更连贯、更稳定。 深浅层视觉特征融合：同时看懂零件整体结构和细微的位置、边界与姿态，处理插拔、组装、精准摆放这类精细工序时，一次到位的成功率大幅提升。 对于机器人来说，看见一个物体只是第一步。 它不仅需要知道「这是什么」，还需要知道「应该怎么操作」。 比如拿起一个零件。 高层视觉信息帮助机器人理解目标是什么。 低层视觉细节帮助机器人判断具体位置、形状和姿态。 如果只有语义理解，机器人可能知道这是一个零件，却不知道手应该伸到哪里。 如果只有视觉细节，又无法理解任务目标。 FabriVLA通过「深浅层视觉特征融合」，让机器人同时拥有理解能力和精细操作能力。 而「门控自注意力机制」，则让动作序列中的每一步都能参考前后步骤，学会动作之间的衔接与配合。 简单来说，就像熟练工人的手，每一个动作都为下一个动作做好准备。 这两项设计均经过了严苛的消融实验。 消融实验显示： 去掉深浅层特征融合，tier-average成功率从90.0%降至82.9%；门控自注意力则是动作头中贡献最大的组件。 这说明FabriVLA的提升，来自于架构对真实任务的深度优化，而非单纯靠参数堆叠。 背后其实也反映了一个趋势： 具身智能正在从「参数竞赛」进入「架构竞赛」。 而1B级参数登顶，更重要的意义在于，它让机器人模型第一次距离真实部署更近了一步。 大模型解决的是机器人的「聪明」。 小模型看的是机器人「能不能天天工作」。 更小的模型意味着更低推理成本、更低部署门槛，机器人也不必完全依赖云端算力。 据了解，FabriVLA未依赖大规模机器人数据预训练，仅通过单阶段联合训练实现SOTA表现。 对于工业现场而言，这一点尤其重要。 工厂需要的是稳定、实时、可靠。 而不是每一次动作，都等待远端服务器给出答案。 在Benchmark里跑出第一名，并不等于能在一线产线里直接上岗。 从学术SOTA走向工业现场，还需要一个能现场解决问题的「工业大脑」。 从FabriVLA到FabriX 真实工业环境里，机器人需要面对的是不断变化的设备、复杂的工艺流程，以及7×24小时不能停机的生产要求。 工业具身智能真正的挑战，不是让机器人完成一次任务，而是让它像熟练工一样，长期稳定地工作。 这也是FabriVLA之后，优艾智合推出智合FabriX模型的原因。 如果说FabriVLA解决的是「机器人能不能理解并完成任务」，那么FabriX解决的是「机器人能否进入工业现场持续工作」。 两者并不是简单的模型升级关系。 FabriVLA证明了轻量化VLA模型具备复杂操作泛化能力。 FabriX则进一步将这种能力放入工业系统中，它不是简单的工业版VLA，而是围绕真实生产环境重新设计了一套工业具身智能技术基座。 因为工业世界有自己的规则。 一个通用大模型可以允许偶尔生成错误答案。 但工业领域的机器人不行。 生产线上，一次错误动作可能导致设备损坏，一次错误调度可能影响整条产线效率。 因此，工业大模型必须向上兼容存量工业软件、向下兼容工业硬件协议，不能推倒现有产线重建，只能无缝升级改造。 而且，工业现场始终盘旋着一个「不可能三角」： 追求极高泛化性，往往会牺牲动作稳定性； 追求绝对可靠性，又容易沦为僵化的固定脚本； 而追求生产节拍的效率，则会让大模型的慢推理不堪重负。 最关键的是，单机机器人升级到数十上百台集群协同后，每新增一台机器人，整体状态空间爆炸，耦合复杂度大幅提升。 为了搬走工业具身智能的「三座大山」，FabriX没有盲目套用纯端到端的VLA路线，而是采用了Edge+Local（边端侧）双重架构。 FabriX-Edge端（边缘服务），类似工厂里的「资深工程师」。 它基于工业真机数据训练的多模态MoE基座模型，负责理解订单需求、工艺流程以及现场全局状态。 面对复杂任务，它负责拆解问题、规划路径和协调资源。 而FabriX-Local（本地执行），则更像机器人身边的「现场师傅」。 它将物理机理控制中的确定性规则作为先验知识，结合可供性交互数据Affordance Data，引导机器人完成具体动作。 同时，为底层执行设置安全约束，保证机器人在实时运动过程中不会偏离工业标准。 两者结合，让机器人既拥有AI的灵活性，也拥有工业系统的确定性。 这也是FabriX想解决的核心问题：如何让机器人既聪明，又可靠。 FabriX的核心创新有两点： 确定性先验蒸馏 具身智能领域，一个长期争议是： 机器人到底应该完全依靠端到端模型学习，还是保留传统算法能力？ FabriX：别争了，融合吧！ 工业场景里，纯视觉模型存在天然短板。机器人看到的是像素，但工业需要机器人理解空间关系。 比如机械臂抓取一个零件。 模型不仅要知道「这是一个零件」，还要知道：它距离机械臂多远？当前姿态是什么？应该施加多少力度？ 如果完全依靠模型从图像中推理，就像让一个新人凭照片猜测精密设备参数。 泛化能力有了，但稳定性不足。 FabriX则将优艾智合过去9年的工业感知算法积累，以及大量真实工业数据，转化为模型训练中的确定性先验。 通过工业专用感知编码器，将传统算法中的几何信息、空间关系等能力注入VLA模型。 在推理过程中，再通过视觉提示和结构化空间Token，让机器人同时获得端到端模型的泛化能力，以及工业算法的精度。 这背后的思路很明确。 不是让AI重新学习整个物理世界，而是把工业现场已经验证过的规律，交给AI使用。 机器人不再只是「看见」，还能真正理解自己面对的空间。 约束锚定智能体 大模型的自主推理容易产生幻觉。 这放在工业领域是非常致命的。 FabriX为了不让大模型直接下发最终调度指令，重新定义了大模型的位置。 它把订单、工艺规则与现场约束转换为标准化、可验证的形式化约束。 真正涉及任务调度、资源匹配等复杂优化问题，则交给专业求解器完成。 同时，FabriX采用任务条件确定性路由，根据不同任务激活对应专家模块，避免传统MoE架构中可能出现的随机路由问题。 最终，所有输出还需要经过「双回路校验」，即在生成式AI输出动作前，设置「模型推理+规则校验」并行机制。 所有指令必须经过基准规则库的硬逻辑判卷，只有通过才放行执行。 一旦发现异常，模型能实现自我感知、自我恢复和自我诊断。 让工业智能真正进入产线 过去9年，优艾智合在半导体、能源化工、锂电等高壁垒行业完成了800+真实场景的落地。 产品覆盖30多个国家和地区，工业移动操作机器人全球市占率领先，复购率超过70%。 这些在湿热、带电、无尘等极限环境里沉淀下来的真机工业数据，构成了FabriX难以被复制的技术护城河。 因为真实工业现场的数据，决定着机器人能不能成为生产力。 每一次搬运、每一次巡检、每一次复杂环境下的任务执行，都是机器人理解物理世界的训练样本。 但想让工业智能真正进入产线，仅有一个「大脑」还不够。 机器人还需要一副能够承担工作的身体。 前段时间，优艾智合发布了搭载FabriX的工业原生人形机器人「隙锋」。 与追求家庭全能机器人的路线不同，隙锋从工业效率和可靠性出发设计。 能够做到：今天进厂培训，第二天成为熟练工。 与传统自动化设备不同，隙锋并不是针对某一个固定动作打造的专用机器。 工业现场真正需要的，是一个面对变化时还能继续工作的智能员工。 比如同样是物料搬运，不同工厂的物料形态、摆放方式、生产节奏都可能不同。 传统机器人往往需要重新编程、重新调试。 但隙锋，在实际部署过程中，出厂时已经具备抓、取、握、拿等基础原子技能。 进入工业场景后，工程师只需采集少量岗位数据进行现场适配，即可让隙锋上岗作业，并快速迁移到不同岗位。 上线后，它还能一边工作一边自动采集数据，以24小时为周期循环自训练，实现技能的跨场景迁移与进化。 能够做到在寸土寸金、地形复杂的工业车间里穿梭自如，背后除了有FabriX的加持，还离不开优艾智合的三大专利。 静流悬挂机构：确保机器人在跨楼层、进出电梯、越过连廊沟坎时能够平稳运行，适应数十万平方米的庞大厂区。 自研MAIC系统：内置毫秒级响应算力载体，确保实时通讯与精确控制。 畅驭运动系统：全向全方位运动底盘，支持侧向横移、原地转身乃至S型曲线运动，能轻松挤进仅容一人转身的狭窄设备通道。 One more thing 具身智能行业，正在走到一个关键分叉口。 一边，是资本市场对通用AGI和超大规模模型的想象；另一边，是工业现场对稳定性、节拍和安全性的现实拷问。 接下来，行业该往何处走？ 优艾智合用1B参数的FabriVLA登顶全球SOTA，再将模型能力进一步延伸到FabriX和隙锋，给出一种方向。 或许并不是谁的模型更大，谁的话语权就高。 参数规模可以决定模型上限，但真实世界的数据、工业场景的经验，以及智能与物理系统结合的能力，决定机器人能走多远。

Site key	qbitai
Policy area	具身智能
Category	report
AI score	0.42

Surpassing π0, Chinese Team Tops Embodied Intelligence Leaderboard with 1B Parameter Model

超越π0，中国团队用1B参数模型登顶具身智能榜单