蚂蚁灵波具身大模型挑战赛收官:15 支队伍 48 小时真机比拼,冠军 TARS 82 分,第三名仅补 13 条数据
来源极客公园查看原文
速览
- 统一模型、统一机器人、统一算力下,胜负取决于数据工程与对模型能力的理解。
- 冠军 TARS 用大模型识别干扰物并遮挡,把简单任务做到 10 次全成功。
- 第三名 SST 仅补 13 条数据,靠 DeepSeek 加视觉分割加冻结参数拿到 65.87 分。
- 第二名 EVA 走数据迭代路线,7 轮把数据补到约 1200 条,自测成功率 73.83%。
- 有队伍把训练提速到每步 3.4 秒至 4 秒,48 小时能多跑数轮真机迭代。
- 仿真与真机桌面存在约 5 厘米偏差,直接导致方案失效,暴露 sim-to-real 差距。
- 微调可能破坏基础模型原有通用能力,限制视觉学习幅度成为一条经验。
- 参赛者背景横跨自动驾驶、搜索推荐、大模型评测与 AI 基础设施,门槛在降低。
- 朱兴称 VLA、世界模型、通用大模型控制机器人等路线都在探索,范式未收敛。
11 月 16 日,首届蚂蚁灵波具身大模型挑战赛在上海张江收官。15 支战队经过线上初赛进入 48 小时线下总决赛,统一使用开源模型 LingBot-VLA 2.0、松灵 COBOT MAGIC 机器人和现场统一算力,完成蔬果摆放、化妆品收纳和双臂清扫三项任务。冠军 TARS 以 82 分夺冠,其做法是用大模型识别目标和干扰物、遮挡无关区域,并把单步训练时间从约 15 秒压缩到 3.4 秒;第二名 EVA 通过 7 轮迭代把数据补到约 1200 条,自测成功率从约 10% 提升到 73.83%;第三名 SST 只额外采集 13 条数据,靠接入 DeepSeek 做任务理解、视觉分割模型定位目标,并冻结部分预训练参数,真机评测拿到 65.87 分。比赛显示,在基础模型能力趋同的前提下,拉开差距的是数据工程与对模型已有能力的理解,而非数据量本身。
关键事实
- 首届蚂蚁灵波具身大模型挑战赛 11 月 16 日在上海张江收官,15 支战队进入 48 小时线下总决赛。
- 所有队伍统一使用开源模型 LingBot-VLA 2.0、松灵 COBOT MAGIC 机器人和现场统一算力,任务为蔬果摆放、化妆品收纳和双臂清扫。
- 冠军 TARS 以 82 分夺冠,通过大模型识别目标与干扰物、遮挡无关区域,使第一项任务实现 10 次全部成功,并将单步训练时间从约 15 秒压缩到 3.4 秒。
- 第二名 EVA 从官方数据训练时真机成功率约 10% 起步,经 7 轮迭代把数据增加到约 1200 条,自测成功率提高到 73.83%。
- 第三名 SST 只额外采集 13 条数据,接入 DeepSeek 与视觉分割模型,并冻结部分预训练参数,真机评测得分 65.87 分。
- 复旦学生组成的 FDU_SONIC 使用约两千元的机械臂,分析官方提供的 647 条轨迹,获得第五名和三等奖。
本站视角
对国内做具身智能的团队和开发者来说,这场比赛的价值不在排名,而在于它把「基础模型加数据工程」的分工摆到了台面上。SST 只用 13 条补充数据就拿到第三,说明当基础模型具备基本视觉理解、指令理解和动作生成能力后,团队的核心工作从「训一个大脑」变成「判断模型已经会什么、会在哪里失败、该补什么数据」。这对资源有限的中小团队和高校实验室是实质利好:FDU_SONIC 用约两千元的机械臂拿到第五名,说明进入门槛确实在降。 我们的判断是,这场比赛更像一次能力摸底而非技术突破。48 小时、三项桌面任务、统一模型,样本量和任务复杂度都有限,82 分与 65.87 分之间的差距能否外推到真实产线,需要观察。尤其要注意,比赛由蚂蚁灵波自己主办、自己提供模型,参赛队伍的成绩客观上也在为 LingBot-VLA 2.0 的能力背书,存在商业动机,读者不宜把赛事结果直接当作模型横向对比的依据。 真正值得跟进的是两个被比赛暴露的问题。其一,仿真与真机约 5 厘米的桌面偏差就能让方案失效,说明 sim-to-real 仍是具身智能落地的主要摩擦点,纯软件背景的团队容易低估这一点。其二,微调会破坏基础模型原有通用能力,「416 一定行」的经历表明后训练不是免费的。这两点决定了「用更少数据把机器人部署到新场景」这个目标短期内难以规模化兑现。对做 Agent 和 VLA 的团队而言,把通用大模型用于任务理解与目标定位、让 VLA 专注动作执行的分层思路,是目前看来性价比最高的一条工程路径,值得优先验证。
背景与影响
具身智能过去几年的进展主要集中在硬件侧:机器人本体、关节、灵巧手和传感器快速成熟,能生产机器人的公司越来越多。但机器人如何理解环境、适应新任务,仍依赖大量定制开发;如果每种机器人、每个场景都要重训一套大脑,硬件形态的丰富很难转化为规模化应用。蚂蚁灵波选择开源 LingBot-VLA 2.0 并组织统一真机评测,意图是让开发者不必从零搭建视觉、语言和动作系统,直接在已有模型上训练、优化和部署。本次比赛同日举行首届开发者大会,CEO 朱兴的表态说明官方对行业阶段的判断仍偏谨慎:本体和末端工具会长期多样,模型适配不同构型是长期问题。这意味着,围绕同一块基础模型积累成功方法与失败经验,可能比单点应用更能推动范式收敛。
本文由 AI 辅助整理自公开信源,事实部分以原文为准;「本站视角」一节为编辑部判断,欢迎指正。版权归原作者所有,如有异议请联系我们。