阅读研究雷达投资体系
登录 / 注册
← 返回阅读
资讯实质变化2 分钟阅读DisconfirmAI 编辑部

首届蚂蚁灵波具身大模型挑战赛落幕:开发者展示通用大模型与具身基础模型协同新路径

首届蚂蚁灵波具身大模型挑战赛在上海收官,冠军团队TARS得分82分。比赛显示,通过数据工程和接入DeepSeek等通用大模型辅助理解任务,能显著提升LingBot-VLA 2.0在真实场景中的表现,但仿真与现实差距仍是挑战。

2026-11-17 19:18

11月16日,由蚂蚁灵波主办的首届具身大模型挑战赛在上海张江收官。经过线上初赛筛选,15支战队进入为期48小时的线下总决赛。所有队伍使用同一款开源视觉语言动作(VLA)模型 LingBot-VLA 2.0、同一款松灵 COBOT MAGIC 机器人和统一的现场算力,完成蔬果摆放、化妆品收纳和双臂清扫三项真实物理任务。

比赛结果揭示了当前具身智能开发的一个关键趋势:胜负不再单纯取决于谁采集的数据更多,而是取决于开发者如何更聪明地利用现有基础模型的能力。冠军团队 TARS 以 82 分夺冠,他们首先对任务进行难度分级,并引入大模型识别目标物体和干扰物,通过遮挡无关区域让机器人专注于当前任务,从而在蔬果摆放任务中实现了 10 次全部成功。此外,TARS 还将单步训练时间从约 15 秒压缩到 3.4 秒,为现场快速迭代争取了宝贵时间。

排名第三的 SST 团队展示了另一种“少而准”的策略。他们仅额外采集了 13 条数据,但在推理时接入了 DeepSeek 负责理解任务指令,并使用视觉分割模型标出目标物体,最后交给 LingBot-VLA 2.0 执行动作,最终获得 65.87 分。这一做法具体体现了通用大模型与具身基础模型的协同:DeepSeek 解决“做什么”的理解问题,LingBot-VLA 2.0 解决“怎么做”的动作执行问题。SST 还冻结了部分预训练参数,以避免少量补充数据破坏模型原有的通用能力。

其他团队也采用了不同的技术路线。第二名 EVA 选择持续补数据,将失败案例转化为训练数据,经过 7 轮迭代将成功率从约 10% 提升至自测 73.83%。资源有限的 FDU_SONIC 团队则深入分析官方提供的 647 条轨迹,通过真机测试寻找失败原因来调整数据,获得第五名。这些差异表明,基础模型越强,开发者越不需要重复建设底层能力,而能将精力集中在解决特定场景的真机问题上。

然而,比赛也暴露了具身智能面临的现实挑战。来自大模型评测领域的团队“今天也要好好检东西”发现,尽管他们在仿真环境中验证了方案,但真机现场的桌面尺寸存在约 5 厘米偏差,导致原本设计好的动作失效。这直接说明了数字环境中的精确复现无法自动抹平仿真与现实之间的距离,机器人仍需面对光线、摩擦和机械误差等物理世界的不确定性。

在大赛同日举行的蚂蚁灵波首届开发者大会上,CEO 朱兴表示,具身智能仍处早期阶段,通用大模型的进展会加速行业发展,但机器人最终要在真实场景中证明其适应性、速度和成本可行性。他指出,行业目前还不知道哪类数据扩大规模后能带来能力跃迁,即具身智能尚未找到自己的“Scaling Law”。此次比赛的意义在于,它让开发者围绕同一块基础模型进行实验,带回成功的方法、失败的经验和真实世界的问题,这对于推动技术范式收敛具有重要价值。

来源

  • geekpark.netGeekPark↗
带入研究 →
登录 / 注册
阅读研究雷达投资体系