VPP2登顶RoboDojo之后，星动纪元把最值钱的那部分公开了！|科技 |RoboDojo |管线 |数据 |道工序 |星动

VPP2登顶RoboDojo之后，星动纪元把最值钱的那部分公开了！ ypxx.net

不靠刷分，国产机器人模型拿下全球榜首

10 月 9 日，星动纪元宣布其世界动作模型 VPP2 登顶 RoboDojo 仿真榜：平均成功率 32.26%，平均得分 39.26 分，在泛化、精细操作、记忆三个维度单独第一——RoboDojo 共评估泛化、记忆、精细操作、长程执行、开放语义五个维度，VPP2 拿下了其中三个。超越GPT-6 Astra、Physical Intelligence π0.5、英伟达GR00T-N1.7等模型。

更关键的是，VPP2未使用任何额外数据或Agent RSI，仅仅使用标准数据集就斩获了榜首，更加体现了VPP2模型本身的优越性——性能提升来自预训练，不靠外挂增强策略，不靠扩充数据“刷分”。

名次压过 GPT-6-Astra、Physical Intelligence 的 π0.5 和英伟达 GR00T-N1.7，同日开源。在真实 ALOHA 平台上，VPP2 的零样本成功率是 58.5%，π0.5 为 40.0%。

星动纪元 2023 年 8 月成立于北京，由清华交叉信息研究院孵化，创始人陈建宇是清华大学助理教授。它也是国内较早把机器人送进物流产线常态化作业的具身公司之一：在中国邮政、顺丰位于全国 5 个省市的 10 余个物流中心运行，公开报道称其在供件环节作业效率达到人工的 95% 以上，最高平均供件量 1200 件/小时。

这次公开的内容里，榜单之外还有一部分：一条数据处理管线，和一套把视频预测与动作生成分开排序的三阶段训练流程。它们要解决的不是分数，是同一个模型换个场景还能不能继续用。

PART 01

泛化这道坎，卡在数据还是卡在模型？

换个场景就要重来一遍，是具身智能交付成本里最难压的一项。训练时的桌面百发百中，换个杯子、挪个位置、换个光照，成功率掉一大截。每接一个新客户、新工位、新品类，往往就要重新采集数据、重新训练、重新调参。

这项成本降不下来，交付就只能停在项目制。项目制的麻烦在于人力跟着项目数走，规模铺得越大，成本涨得越快。

星动纪元给这次泛化能力提升做的归因是：一半来自训练策略，另一半来自数据工程。数据工程那一半，是这次公开材料里细节最多的部分。

VPP2 的数据底座覆盖五类来源的操作数据，不同来源配不同的过滤策略。原始视频进训练前要先过一条处理管线，核心目标是降低未来预测的不确定性：先过滤，只保留末端执行器可见的片段；再分割，按任务边界把长视频切开，由视觉语言模型合并相邻片段、微调起止点；最后由视觉语言模型为每个片段生成一段详细描述。

这几道工序都不涉及模型结构的改动。能否跨场景复用，取决于它们做得有多细。

PART 02

采集来的数据，凭什么能反复用？

描述生成这道工序有个硬性要求：必须无歧义。

星动纪元在图注里给出的写法是"指定左侧的杯子，桌上有两个杯子"、"指定最左侧的黄色盒子，桌上有三个盒子"。桌上摆着不止一个同类物体时，只写"杯子"或"盒子"，模型拿不到足够的定位信息。

歧义背后还有一层原因。团队在材料里给出的解释是：给模型的描述质量，决定了它学到的是"虚假相关"还是"任务因果"。一句粗描述，比如"把碗放进箱子"，模型只能在画面里做概率猜测，映射关系飘忽不定、出现多个峰值；换成一段详细描述——左侧夹爪拿起左侧白碗、放入透明箱、摄像机视角保持静止——模型就被锁定到唯一且稳定的因果轨迹上。

每条描述被要求包含四个要素：任务说明、活动的末端执行器、无歧义的目标物体、摄像机视角。

近两年行业在数据工厂上投入不小，对外讲的口径多集中在采集小时数和遥操作规模。这条管线的设计把注意力放在了另一处：同一次操作，描述的粗细不同，模型学到的东西也不一样，标注规范是数据能否转化成能力的其中一环。它把"怎么标注"做成了一道固定工序，而不是交给采集人员临场判断。

同一条管线上还有一道工序，解决的是跨本体复用。团队对占总量 80% 以上的第一人称双臂数据做了两次对齐：一次是工作空间对齐，通过世界坐标系变换让不同机器人的工作空间可以比较；一次是末端执行器对齐，通过局部变换统一夹爪的原点与坐标轴方向。

两次对齐之后，"向左""向右"这类动作语义才在所有数据集之间保持一致。多机位数据被编排成 T 形合成图统一输入规格，主视角在左，两个辅助视角在右侧纵向堆叠，不足两个时用黑色占位图补齐。

坐标系不统一，数据就只是一次性消耗品。对齐之后，它才有可能沉淀成可跨机型复用的资产。

PART 03

三阶段训练里，哪几步是冲着产线去的？

数据就位之后，VPP2 构建在预训练的 Wan2.1-I2V-14B 视频模型之上，训练分三步：先在覆盖完整轨迹的事件级数据上做继续预训练，把视频底座练成一个可泛化的未来预测器；再在固定时域的视频块上后训练，并引入一致性蒸馏；最后才接入动作专家。

第二步里的一致性蒸馏，把原本需要多步迭代去噪的生成过程压成单次前向——这一步压缩的是视频预测。按官方给出的数字，8 秒视频预测约 0.1 秒，动作专家总延迟约 0.22 秒，两者合计仍在 0.3 秒量级，可实时闭环。对照物流供件最高 1200 件/小时、平均每件 3 秒的节拍，推理耗时并不构成卡点；蒸馏真正省下的是算力预算，让一条产线上同时跑更多工位，并把留给本体控制与异常处理的余量腾出来。

第三步接入的动作专家只有 0.9B 参数，采用混合 Transformer 架构，以全新初始化的方式接入，全程保留预训练获得的视频表示，学的是根据视频预测结果反推应执行动作的隐式逆动力学模型。它和 14B 的视频底座不在同一个算力量级上。

PART 04

27.6% 到 57.6%，这三十个点是谁给的？

团队在五个任务组上对比是否接入基于视觉语言模型的子任务规划，每组 50 次试验：平均成功率从 27.6% 提高到 57.6%，其中语言条件方块堆叠从 10% 提高到 52%，井字棋从 0% 提高到 38%。

分拣这类任务步骤相对固定，但真实场景里还有不少活儿需要连续多步完成、中途还要记住前面发生过什么。这三十个百分点的增益出现在同一套模型上，变量只有一个——加不加高层规划。增益来自分工方式：视觉语言模型负责把模糊目标拆成一串子任务描述，动作专家负责底层执行。

PART 05

从 5 个省市的物流网点看未来潜力

星动纪元的物流落地，给了这套方法一个可参照的样本：与中国邮政、顺丰合作，在全国5省市10 余个物流中心常态化运营。

十几个网点铺开，如果每个网点都要重新采集一遍数据、重新训一遍模型，交付成本压不住，这个规模跑不出来-通用性不够，规模"铺不开"，是所有具身玩家绕不过去的坎。

VPP2 解决的正是这个问题：靠泛化能力，让同一套本领快速复制到新网点 —— 部署更快、分拣更高效、产线通用性再上一个台阶。

而物流只是起点：一旦泛化能力跑通，这套方法的尽头，是千行百业。

VPP2目前已同步开源可复现，价值高于排名本身。