[TL;DR 每日摘要] 我見過足夠多的基礎設施表演，能分辨出基準演示與真實生產堆棧之間的差異。這篇文章指出，具身AI的瓶頸可能不再在模型智能上，而在於將token預測轉化為穩定物理動作的混亂工程層面。誠實說？這部分正是每個人總是低估的。 📌 為何此刻至關重要 • 文章將具身AI的「ChatGPT時刻」定義為：像GPT-6 Astra這樣的通用模型，僅需一行API即可控制機器人的時刻。 • 好消息：基礎模型的能力仍在加速提升。 • 壞消息：具身基礎設施落後，導致更強大的模型反而更快暴露部署堆棧的弱點。 📌 FluxVLA Engine v2 的新增功能 • 擴展模擬評估：在統一的LIBERO閉環基準上測試14種策略，並在RoboCasa GR-1、RoboTwin和RoboDojo上整合8種策略。 • 在8種模型-設備組合中優化推理，頻率提升2.31倍至9.64倍。 • 在ALOHA、Rebot、雙臂Franka和LimX Oli人形機器人上，從檢查點到閉環執行驗證了真實硬體部署。 📌 在線強化學習確實帶來突破 • 以SmolVLA為例，經過在線RL微調後： – LIBERO-10的成功率提升10.0個百分點。 – RoboTwin Clean提升15.4個百分點。 • 更具體地說，經過40次外迴圈迭代後： – LIBERO-10從66.2%提升至76.2%。 – RoboTwin Clean從45.9%提升至61.3%。 • 說白了：一旦小型模型不再只是純模仿學習者，而是開始與環境互動，就能獲得驚人的提升。 📌 標準化是隱藏的超能力 • 文章的核心論點很簡單：具身AI仍過於依賴「一次性項目」。 • FluxVLA致力於標準化數據轉換、模型接口、訓練、評估與部署，讓團隊不再浪費人才在環境搭建和接口重寫上。 • 據稱支援Qwen-VL、GR00T、π系列、DreamZero，甚至API原生方案如GPT-6 Astra和MiniMax-M3.1-Flash。 • 在報告所列配置中，13種本地檢查點策略中有11種在LIBERO上實現超過95%的平均成功率；例如DiT4DiT達98.65%，π0.5達97.95%。 📌 真實機器人部分才是工程真正嚴峻之處 • 推理速度提升未改變模型權重。 • 對於GR00T風格的動作頭，加速輸出保持餘弦相似度高於0.99999，最大絕對誤差約為0.02。 • 引入實時分塊協調機制與軌跡後處理，以平滑動作連續性並滿足物理限制。 • 在LimX Oli上，π0.5在搬箱任務中完成前3個階段的機率為61.67%，完成全部4個階段的機率為33.33%——這價值不在炫耀，而在於映射瓶頸。 📌 人類參與可能才是飛輪，而非註腳 • 系統支援在機器人執行期間無縫接管人類操作，並自動收集修正數據與獎勵標註。 • 在ALOHA上進行8階段折毛巾任務： – 行為克隆基線：62.1% – 搭配SARM獎勵建模：78.5% – 搭配ARM優勢加權行為克隆：99.4% • 吞吐量也從每小時18個回合提升至32個回合。 我的看法？這篇文章最銳利的觀點並非「我們的基準更大」，而是具身AI可能先成為一場基礎設施競賽，而非純粹的模型競賽。如果每個新策略都意味著重建整個堆棧，產業就持續為進步支付稅收。若基礎設施能變得模組化、可重用且無聊——以最好的方式——那真正有趣的部分才剛開始。 而我想留下這個問題：當前沿模型變得可互換時，真正的防禦力究竟在哪裡——在模型本身、機器人本體，還是背後支撐兩者的數據與部署飛輪？