铃阅
❌

阅读视图

最大规模具身大模型挑战赛落幕,48 小时真机总决赛比出了什么?

原创 Li Yuan 2026-11-16 22:59 江苏

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

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。

冠军团队 TARS 首先给三项任务分出了难易。经过测试,他们发现,水果摆放和化妆品收纳的主要问题,是现场的无关物体容易干扰判断。团队因此引入大模型识别目标和干扰物,再遮挡无关区域,让机器人更专注于当前任务。团队介绍,这套方法让第一项任务实现了 10 次全部成功。

他们把更多时间和数据留给了最难的双臂清扫。簸箕抓取不稳,团队便重新选择抓持位置并补采数据;机械臂伸远、负重后会下坠,他们又测量不同负重下的偏差,对动作进行补偿。此外,团队还将单步训练时间从约 15 秒压缩到 3.4 秒,为现场迭代争取时间。最终,TARS 以 82 分拿到第一名。

排名第三的 SST 走的是「少而准」的路线。除了在推理时接入 DeepSeek 和视觉分割模型,他们还冻结了部分预训练参数,避免 13 条补充数据破坏 LingBot-VLA 2.0 原有的通用能力。

获得第二名的 EVA 则选择持续补数据。比赛开始时,他们直接用官方数据训练,真机成功率只有约 10%。团队把每轮测试中的失败重新变成训练数据:机器人在哪里抓偏了、什么角度容易出错,就围绕这些问题继续采集和训练。经过 7 轮迭代,数据增加到约 1200 条,自测成功率提高到 73.83%。

资源有限的 FDU_SONIC,把重点放在了已有数据上。这支由四名复旦学生组成的队伍,平时使用约两千元的机械臂,算力也不充足。他们没有选择成本更高的模型结构创新,而是反复分析官方提供的 647 条轨迹,再通过真机测试寻找失败原因,围绕问题调整数据。最终,团队获得第五名和三等奖。

四支队伍使用同一款模型,却做出了完全不同的数据选择。

真正拉开差距的,也不再是谁采集的数据更多,而是谁更理解 LingBot-VLA 2.0 已经具备的能力,能够用最合适的数据和工具把它释放出来。

基础模型越强,开发者越不需要重复建设底层能力,也越能把时间花在过去只有完整机器人团队才有机会解决的真机问题上。

02

同一道题,

开发者带来了不同的解法

数据之外,15 支队伍本身的背景,也很值得一看。

进入决赛的 15 支队伍中,有长期研究机器人的学生和工程师,也有人来自自动驾驶、搜索推荐、大模型评测和 AI 基础设施等领域。对其中一些人来说,这甚至是第一次接触机械臂、仿真环境和真机调试。因此,大家的路线也格外精彩。

「416 一定行」的两名队员此前从事搜索推荐和多模态算法工作,刚刚毕业,也是第一次接触机器人仿真和真机调试。他们最初沿用互联网算法中常见的思路,通过补充数据和全量微调,让模型适应比赛场景。但结果并不完全符合预期:模型在标准场景中表现更好,换到物体随机摆放的环境后,成功率反而下降。

团队进一步分析后判断,视觉模块过度学习了比赛数据,损失了 LingBot-VLA 2.0 原有的通用能力。他们因此限制视觉部分的学习幅度,把更多优化集中在动作模块。这次尝试揭示了基础模型开发中一个重要问题:开发者不仅要教会模型处理新任务,还要避免在微调过程中破坏它已经拥有的能力。

来自大模型评测领域的「今天也要好好检东西」,看到的则是另一个问题。团队习惯先拆解任务、设计评价标准,再寻找失败发生在哪个环节。比赛中,他们让视觉语言模型负责理解环境和规划步骤,再由 LingBot-VLA 2.0 执行动作,同时搭建仿真环境,提前验证方案。

但到了真机现场,仿真桌面与真实桌面存在约 5 厘米的尺寸偏差,原本设计好的动作因此失效。这次失败并非毫无价值:它直接暴露了具身智能与纯软件开发的区别。数字环境中的方案可以精确复现,机器人面对的却是尺寸、光线、摩擦和机械误差都会变化的物理世界。通用模型降低了进入门槛,却不会自动抹平仿真与现实之间的距离。

更熟悉 AI 基础设施的团队,首先想到的则是加快训练。「持续知行」将单步训练时间从约 15 秒压缩到 4 秒,并在 48 小时内测试了约 30 个模型检查点;Motion 也把训练速度从每步约 14 秒提高到 3.7 秒。对一场只有 48 小时的比赛来说,训练提速并不只是节省等待时间,而是意味着团队可以多完成几轮「训练—上机—发现问题—重新调整」,更快找到有效方案。

还有自动驾驶从业者把残差学习和数据增强迁移到机械臂,机器人研究者则让模型根据环境的不确定程度调整动作长度。

这些方案并非都取得了理想成绩,但对第一次接触机械臂的人来说,能在 48 小时里把自己行业的方法搬上真机试一遍,本身就说明门槛在降。

03

具身智能还没找

自己的 Scaling Law

回到开头的 SST。只有 13 条补充数据之所以值得关注,是因为团队先用已有工具解决了指令理解和目标定位的问题,再让 VLA 专注于动作执行。TARS 也在蔬果摆放和化妆品收纳中用到了类似思路:先借助大模型识别目标,再减少画面里的干扰,让动作模型接收到更明确的输入。

最近一段时间,随着 Fable5.2 发布,很多人开始讨论通用大模型会不会吃掉具身智能基础模型?

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,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,换个条件还能干、速度跟得上、成本也算得过来。」 对蚂蚁灵波来说,基模最值得追求的进步,是让伙伴用更少的数据和后训练成本,把机器人部署到新场景。

过去几年,机器人本体、关节、灵巧手和传感器快速发展,能够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,仍然需要大量定制开发。如果每一种机器人、每一个场景都要重新训练一套大脑,再丰富的硬件形态也很难转化为规模化应用。

这也说明,具身智能的技术范式还远未收敛。此时真正稀缺的,不只是某一个应用,而是更多人围绕同一块基础模型进行实验,把成功的方法、失败的经验和真实世界的问题带回来。

朱兴也认为,本体和末端工具会长期保持多样。生产场景有不同的效率、节拍和成本要求;即便将来进入家庭,不同用户的需求和偏好也不一样。这意味着,模型适配不同构型会是一个长期问题。

「目前看 VLA、世界模型、通用大模型控制机器人等路线都在探索,行业还不知道哪类数据扩大规模后,能带来能力跃迁。」朱兴表示:「不要盲目乐观,但也没必要过于悲观。」

比如这次比赛中,LingBot-VLA 2.0 已经开始承担机器人大脑这一层的基础能力:让开发者不必从零搭建视觉、语言和动作系统,而是可以直接在已有模型上训练、优化和部署,让机器人可以更好地在真实世界干活,这也是蚂蚁灵波开放模型、组织统一真机评测的意义所在。

*头图来源:蚂蚁灵波

本文为极客公园原创文章,转载请联系极客君微信 geekparkGO

极客一问

通用大模型与具身模型,

该如何协同落地?

跳转微信打开

  •  

腾讯 Hy4 flash 实测:快速、实惠、聪明,国模进入过日子时代

原创 Cynthia 2026-11-16 19:36 北京

​单任务成本仅为 Hy4 二十分之一,过日子的神!

单任务成本仅为 Hy4 二十分之一,过日子的神!

作者|Cynthia

编辑|郑玄

过日子的风,还是吹到了大模型行业。

2026 年之前,一款模型能不能刷屏,往往取决于它又做到了什么。GPT-4o 的实时语音交互、Claude 的编程能力、DeepSeek R1 的推理表现,一度轮番成为讨论焦点。一款新模型发布,大家首先关心的是它超过了谁,又做到了什么过去做不到的事。

但到了 2026 年,Agent 真正流行起来之后,风向开始变了。SOTA 模型的领先能力开始以季度为单位被轮番刷新,变得不再新鲜。而模型能力能不能用得起、等得起,成为了新的议题。

毕竟,让模型回答一个问题,和让 Agent 接手一项工作,对应的资源消耗模式完全不同。在 Agent 场景中,一次指令背后,可能是几十轮模型调用。读材料、查代码、调用工具、处理报错,每一步都会增加大量上下文和调用次数。OpenRouter 披露,今年 2 月 6 日,平台上 Agent 的 Token 用量首次超过人类直接调用;到 9 月底,已经约为后者的七倍。

具体到任务,今年 4 月,密歇根大学与斯坦福大学一项覆盖 8 款模型、500 个真实代码问题的研究发现,在其测试中,Agent 每次尝试处理一个问题,平均累计消耗约 417 万 Token,模型调用费约 1.86 美元。按这个均值,连续跑十次,就接近 20 美元。

在这一背景下。任务越长,大家对速度和价格就越敏感。各家模型厂商的 Flash 性价比模型也因此有了越来越大的用武之地。

早在去年,OpenRouter 与 a16z 对超过 100 万亿 Token 的使用数据进行研究后就发现,Gemini 2.0 Flash、DeepSeek V3 0324 这类兼顾能力与低成本的模型,已经获得了与部分高价领先模型相近的用量。到了今年 11 月 14 日,DeepSeek、智谱的 Flash 模型,又同时进入 OpenRouter 单日 Token 用量前十。用户越来越愿意为更强的能力付费,同时也在把大量日常任务交给更实惠的模型。

而在最近推出的一众 Flash 模型中,作为一款主打精简输出、更高吞吐以及更快速度的 Flash 模型,腾讯最近推出的 Hy4 flash,无疑是其中最受关注的一个。

据了解,这款模型的总参数量为 224B(其中 64B Engram 参数),通过在预训练阶段,加入混合注意力、LatentMoE、Engram 等架构特性,Hy4 flash 可以做到实际使用时激活参数仅为 12B,KV cache 大小仅为 Hy3 的 1/24、Hy4 的 1/6,还支持多模态和 1M 上下文长度。

此外,作为迄今为止最高性价比的 Hy 模型:Hy4 flash 的每百万 Token 输入 0.5 元、输出 2 元,命中缓存时仅需 0.02  元,价格较 Hy4 大幅降低。

在此基础上,在后训练阶段,Hy4 flash 通过自蒸馏 Hy4 获得了较强的综合智能水平,再通过强化学习使端到端任务输出长度降低 50%。最终实现整体的单任务成本仅为 Hy4 二十分之一。

推理效率上,通过结合 megakernel、4bit 量化、DFly 等手段极致优化,Hy4 flash 解码速度可超过 150 tps,且可以大规模低成本部署运营。

我们也在 Hy4 flash 发布后的第一时间拿到了 Hy4 flash 的内测资格。

随后,我们把它放进了 WorkBuddy(WorkBuddy 中可以免费使用 Hy4 flash),和同样定位的 DeepSeek-V4.1-Flash(1017 版本),以及原始 Hy4 做了四轮对照:一轮办公决策,一轮编程修复,一轮视觉理解,还有一轮 PPT 生成。

以下是我们的测试结果。

01

办公决策:判断一致,

Hy4 flash 快了近三分钟

第一轮,我们让模型为一场产品发布会做决策准备。

这道题,我们特地增加了材料难度,给到了模型几组互相矛盾的口径,再把目标和约束一起放进去,看模型能不能自己理清楚。

任务描述如下:

公司要上线发布两个产品能力,其中纪要能力的成熟度较高,方案能力的成熟度还有待完善。产品同学说,这个月有 8600 人点开过产品,成功率达到 91%;数据同学给出的却是,每周真正使用的大约只有 3200 人,真正完成任务的比例只有 67%,差了将近 3 倍。销售是 6 家感兴趣、1 家愿意付费试点 8 万/年,财务希望发布后 3 个月看到约 40 万的经常性年收入(ARR)。法务说发布会前安全评估做不完,只宣布即将开放、不现场开通注册则风险相对可控。该信哪组数字,并给出明确的发布建议,交出一页能投屏的决策纸。

在这段描述中,产品与数据同学的两组数字都有出处,但统计周期、使用行为和成功口径并不一致。模型得先弄清它们各自代表什么,再判断发布会上该用哪组。销售和财务之间,也需要对意向、付费试点和收入目标,做一下关联与区分。法务的评估不做完就不开通注册,则是最终的条件限制。

选这道题,是因为它很像实际工作中会遇到的情况:没有标准且统一的数据口径,也没有完全 ready 的材料,系统各方面又会提出不同的约束条件,而用户必须从中梳理出一条可被执行与讨论的方案。

最终,Hy4 flash 用了 1 分 14 秒。

它建议折中推进:发布会照开,只宣布即将开放、分批放量,现场不开注册,也不先收等待名单。对外采用 3200 人、67% 这组更严格的数字。等待名单是否属于开通注册,则把它单独列为待确认事项。

DeepSeek-V4.1-Flash 用了 4 分 8 秒。

它同样建议折中:发布会照开,只宣布即将开放,不现场开通注册;对外主推会议纪要,方案能力标为内测,数字也采信 3200 和 67%。不同的是,它建议发布会可以收集等待名单,再向名单用户分批开放。

这里不能算它判断错误。法务明确限制的是现场开通注册,并没有明确禁止收集等待名单。

这一轮,两边的核心判断一致,也都交出了要求的一页纸,质量没有明显差距。

在这一轮测试中,Hy4 flash 的优势主要在速度:少用了 2 分 54 秒。口径冲突、发布取舍和最终交付都处理到了,完成时间只有对方的三成左右。

02

读图决策:相比 DeepSeek-V4.1-Flash,

Hy4 flash 误读更少

第二轮,还是对比 DeepSeek-V4.1-Flash 和 Hy4 flash。这一次,我们不再给模型太多的文字提示词,而是根据测试一的文字内容,将其加工成一张有矛盾的投屏图片,喂给模型。然后让模型只根据这张图做决策准备,看它会不会自己把这些矛盾指出来,然后再做和场景一类似的决策准备。

如上图,图上最显眼的大卡片写着月活 8600、成功率 91%、意向客户 6 家,还带了可计收入红标;右下角对照表却是另一套更严的数字。柱状图上标注的是 8 万和 40 万,但 8 万那根柱子实际画到了大约 32 万的高度。

最终,Hy4 flash 用了 2 分 46 秒。

它继续建议折中发布:只宣布即将开放,不现场开通注册,对外采用更严格的口径。

对于客户数量,它指出,6 家意向客户的卡片带有「可计收入」标注,但对照表只确认了 1 家付费试点,这两处信息存在冲突。

8 万元究竟是已确认收入还是预算,40 万元的目标时间口径是什么,它也分别列为待确认事项。

不过,8 万元那根柱子画高了,它没有发现。

DeepSeek-V4.1-Flash 用了 1 分 25 秒。

它同样建议折中,也整理了卡片和对照表之间的口径差异,但有两处写错。

第一处,它把客户卡片上的红标读成了「非付费」,与图中的「可计收入」不符。

第二处,它写道:「8 与 40 的视觉比例 20%,与 ARR 进度 20% 自洽,此处无失真。」

8 除以 40 确实等于 20%,但图上的柱高并没有按这个比例绘制。DeepSeek-V4.1-Flash 算对了数字关系,却忽略了图形比例的错误。

这一轮,DeepSeek-V4.1-Flash 虽然更快,但出现了两处明确误判。Hy4 flash 识别了「6 家意向客户被标为可计收入、实际只有 1 家确认付费」的冲突,整体的准确率会更高。

03

编程修复:相同结果,

Hy4 flash 更快更有性价比,

Hy4 思考更全面

第三轮,我们难度升级,安排了一道编程题,让模型接手一个正在使用的库存与计价项目。这次的对比对象选择了 Hy4 与 Hy4 flash。

这次选择的项目是一个已经在用的库存系统。仓库里现有测试都是通过的,但线上却出了 4 个问题:预占库存后数字对不上(预占库存后,在库数量也跟着减少,取消后又恢复不了)、整单出库会报错(某件商品的库存被全部预占后,整单出库会报错)、优惠券没有按上限封顶(400 元订单使用 20% 优惠券,抵扣超过了 50 元上限;)、月末报表漏了一天(11 月报表漏掉了 11 月 30 日当天的出库)。

我让模型根据项目里的代码和问题清单,自己找到这些 bug,先写出能复现问题的测试,再把代码修好,最后交一份修复说明。

这道题模型需要读懂别人写的代码,并找到现有测试遗漏的情况,再证明修改后的行为符合项目约定。

最终,Hy4 flash 用了 2 分 5 秒,四个问题全部找到并修好。

在它的修改下,预占操作不再误扣在库数量,取消改为释放预占;整单出库可以正常完成;优惠券抵扣按 50 元上限封顶;报表区间改为包含结束当天。

最终,Hy4 flash 还给原本的项目新增了 5 个测试,端到端完成了验证:预占后在库仍为 10、可用为 6,取消后可用恢复为 10;400 元订单实付 350 元;11 月汇总包含 11 月 30 日,共计 8 件。

相同的任务,根因和改法也与上面几乎一致,正式版 Hy4 最终用时 3 分 49 秒。唯一的不同之处在于 Hy4 最终为项目新增了 8 个测试,整体的流程会更加完整。

04

论文转 PPT:

Hy4 更清晰,Hy4 flash 更高效

前面几个任务都是真实生产系统中的点状问题,这一次测试,我们选择一个端到端的任务,让 Hy4 与 Hy4 flash 分别测试把同一份论文生成 PPT 的任务,看看最终哪一个的效果更优。

这次我们选择的是一个主题为 OpticalRAG 的技术论文,讲的是一种减少长文档占用 token 的方法:先把页面渲染成图像,再在像素空间里压缩,用来做检索增强生成。提示词中,我们要求模拟能够按照如下顺序组织内容:要解决的问题、核心方法(两项关键技术分开讲,必要处配示意图)、关键实验结果(要把数字写上)、局限和落地时要注意的地方。

选这道题,需要模型先读懂技术论文,然后还需要有完整的多模态生成能力,能把理解的东西做成结构清楚、数字写对、能直接讲解的幻灯片。

最终,Hy4 flash 用时 9 分 5 秒生成了一份一共 21 页 PPT,问题、方法、实验和局限都按要求写到:不仅论文中的两项关键技术分开讲述的很清晰,关键数字准确无误,一些技术方式在 BAMBOO 上原始分并不领先之类的数据也完整呈现。

唯一的美中不足是,有几页页脚和正文叠在了一起,CAP 公式里的指数没有做成上标。

同一篇论文和同一段提示词。正式版 Hy4 一共用时 15 分 47 秒,产出了 18 页 PPT,结构和关键数字同样正确。同样也发现了压缩感知分数第一,并不等于原始分数第一、长文档上按问题筛选反而低于简单的均值池化这些细节。

整体来说,在把长篇技术论文做成可讲解 PPT 的场景里,两边都完成了任务,论文要点和关键数字都写对了。Hy4 flash 的优势是速度,主结果表也更完整。正式版 Hy4 用时更长,但页面更适合直接讲解,对结论的分析,也交代得更清楚。

05

尾声

客观来说,无论是 Hy4 flash 还是 DeepSeek-V4.1-Flash,市面上的一众 Flash 模型,在准确率方面相比于当下的 SOTA 模型仍有一段距离。但是对于日常办公以及编程修复等任务来说,他们都已经达到了一个专业工程师与白领的水平。

此外,对于 Agent 这种模型调用轮次多、上下文超长、成本极易失控的场景来说,Flash 模型不失为一种不错的选择。

相应的,混元的官方 Blog 也推荐在深度搜索、文档处理、PPT 生成、简单前端展示、computer use 等大部分日常任务中使用 Hy4 flash,在长程软件工程等复杂任务中推荐使用智能上限更高的 Hy4。

总而言之,Hy4 flash 就是当下各种 Flash 模型中,最适合过日子的神!

*头图来源:腾讯混元

本文为极客公园原创文章,转载请联系极客君微信 geekparkGO

直播预告

模型越来越大,生成质量不断刷新,算力投入也在持续加码。置身这场「万卡竞赛」,一家创业公司怎样找到自己的胜算?

年内累计融资近 5 亿元的达瓦科技,选择把核心投入放在控制层,走出一条「重控制,轻渲染」的技术路线。这条路从真实片场长出来:多年影视制作与虚拟拍摄,让达瓦积累了约 180TB 结构化过程数据——摄影机怎样移动、灯光怎样变化、人物怎样与环境发生关系。这些藏在成片背后的信息,为模型理解「改变什么、保留什么」提供了重要依据。

沿着这条路径,达瓦希望让生成的内容能够被准确修改,让发生过的变化能够被记住,并让世界随着人的行动持续运行。其 Scenes AI 已展示在单张消费级 NVIDIA RTX 显卡上运行实时世界模型的能力。

从片场积累到国际技术舞台,从已有业务的收入与盈利到实时互动的新市场,达瓦的选择,也提出了一个值得讨论的问题:AI 视频的竞争,究竟有哪些不同的赢法?

11 月 17 日 19:30,极客公园创始人 & CEO 张鹏将对话达瓦科技 CTO 朱子威、CPO 李宗兴,聊透这条路线背后的技术判断与商业逻辑。

跳转微信打开

  •  
❌