开发者围绕同一块基础模型进行实验,让模型直面成功的方法、失败的经验和真实世界的问 题。
作者|Li Yuan
![[图]](/i/a2c05778821e.png)
编辑|郑玄
最大规模具身大模型挑战赛总决赛结果出炉,排名第三的队伍 SST 只额外采集了 13 条数据。
他们没有大量补数据,而是让 DeepSeek 先理解任务,再用视觉分割模型标出目标物体,最后交给 LingBot-VLA 2.0 完成动作,并在真机评测中拿到 65.87 分。
通用大模型与具身模型的协同在这里变得很具体:DeepSeek 负责弄清楚要做什么,具身基础模型帮机器人找准操作对象、做出动作。
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。经过线上初赛,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任务。
起点相同,解法不限:有人重采数据,有人调整模型的训练和推理方式,也有人接入通用大 模型、视觉分割或仿真工具。48 小时里,15 支队伍要回答的是同一个问题:面对真实桌面上的物体,怎样让已有的模型把这件事做成?
01
当胜负开始取决于如何使用数据
纵观整场比赛,有一点十分有趣:几乎每支队伍都提到了数据工程的重要性。
LingBot-VLA 2.0 已经具备基本的视觉理解、指令理解和动作生成能力。参赛者不必在 48 小时里重新训练一个机器人大脑,而可以直接判断模型已经会什么、会在哪些情况下失败, 再决定应该补什么数据、怎样训练。