头图：具身智能行业图片
寰球好，我是瓦力，具身算法究诘员。
先说个事情。前一阵咱们找外包采了一批遥操数据，三百多条。临了能进磨真金不怕火集的，一百条出面。剩下的两百条数据，有行动徜徉、末端定位偏差、要道帧被讳饰的。一条条看数据，真实挺熬东谈主。历程都对，东谈主也到位，钱也花了，终局一泰半的数据都没办法用。
我折服这亦然大部分作念算法的实践感受。模子调到一定进程，瓶颈基本都不在模子本人，是喂进去的数据。何况这个问题还不是费钱堆量就能解决的。你跟外包把需求讲了半天，对方点头说懂了，采出来的东西评释根柢没懂。
卡到其后，我运行四处问东谈主，有莫得靠谱的办法能把数采作念塌实点。问了身边搞具身的同学，发现寰球遭遇的问题大差不差，然后有个一又友给我指了条路，说不错问问数采厂。
我一运行是不折服的。数采厂嘛，无外乎把历程作念法式、把东谈主宰好。外包的东谈主也大多是他们提供。实践厂商和标注公司我也斗争过，大同小异。
抱着取经的气魄，我照旧问了下之前天南斗争过的几家公司。聊完之后，我才发现我方想的有些窄了。他们想干的，不只单是把网罗历程优化得更好。有些公司甚而想作念更大的事情，把数据和模子这两件事，融在一都。
这家厂是乐聚，我差未几从他们那里找到了一些特原理的想路，是以和寰球共享一下know how。
1. 采数据这件事，外包只可处治一半
先把问题说清晰。
当今行业里采数据，大多数是两拨东谈主。一拨在磨真金不怕火端，懂模子、懂算法，知谈一条好数据长什么样；另一拨在网罗端，可能是外包，也可能是数据标注公司，厚爱遥操或者无实践的数采。
这两拨东谈主之间，其实不太贯串对方。
磨真金不怕火端的东谈主，常常不会亲身去采几百小时。网罗端的东谈主，又基本碰不到模子磨真金不怕火。终局便是，需求在传递的过程中一层层失真。
比如我想告诉外包的同学说「我想要这个握取的斗争短暂稳少许」，传到网罗端可能就酿成了「很慢的把东西握起来」。这中间丢掉的信息，其实便是我想要模子学习的东西。
所之外包能处治的，其实唯唯一半：量。它能给你堆出几百上千小时的数据。但另一半，质，或者说跟模子需求的对都，它给不了太多。
这让我想起之前写许华哲那篇时，Pete 抛过的一个问题：全世界的机器东谈主学家，该不该放下究诘一年，专门去网罗数据。
那时我的判断是不成真这样干，但确乎值得算法的同学试一试。是以我也真实去试了试，就在乐聚那里。
我那时通过遥操把天平上的砝码放到盒子里的时刻，我对了好须臾才把最大的砝码放进去。但从数据本人的角度，或者从东谈主类的角度，我认为应该很告成能放进去才对。
但你说数采员能作念的更好么，我认为也不大可能了。
实践体验下来，我最大的感受之一便是：当今其实不是没东谈主采数据，是采回想的数据，和算法想要的还有很大的距离。
想要把数据作念成工业品，前提是采的东谈主得懂模子，懂模子的东谈主也得知谈网罗实践的状态。不然你历程作念得再门径，采的东西不一定是模子需要的。
这便是为什么我说，外包只可处治一半。不是外包不戮力，是这套单干从结构上就注定了数据质料的天花板。
2. 数据和模子分不开，我认为有两层含义
聊到这，得说回乐聚让我认为特原理的地方。
许多东谈主讲「数据和模子分不开」，聊的都是名义：你得罕有据才能训模子。这层太浅了，谁都懂。我认为信得过的分不开，是两层。
第一层是硬件层。你得真实用过各家的实践，才知谈不同构型的实践在采数据时会踩什么坑。轮臂的坑、双足的坑、不同智慧手的坑，都不一样。 一个只作念自家实践的厂商，数据重点可能只会 focus 在自家居品上，他莫得能源、也莫得场景去试水别家实践的坑。乐聚参与建造寰球多个东谈主形磨真金不怕火场，他们实践的数目多，数采需求大。本人就在采全身运控、智慧手操作、轮臂基础运控这些不同构型的数据，它对跨实践的底层各别，贯串是更全的。
开运体育中国官方网站第二层是组织层，这点更艰巨。采数据的东谈主，必须懂算法要什么。前边说的问题，外包搞不定，实践厂商其实也隔着半谈墙，因为模子团队和数据团队通常是两拨东谈主、两个 KPI。
而乐聚此次干的事，是把数据工场和后磨真金不怕火算法库，作念到了一都。网罗端和磨真金不怕火端，是统一拨东谈主在对都需求。采数据的时刻，脑子里装着的便是模子要什么。
这两层叠在一都，才是好意思满的「数据和模子分不开」。我知谈这里有东谈主要反问：乐聚我方不亦然实践厂吗?夸父便是它的机器东谈主，凭什么说实践厂不行，它就行?
这个问题问得很对，我我方的第一反应亦然这样。
但我周末在他们线下体验完，能嗅觉获取乐聚正在从一个「卖实践」的公司，转向作念 infra，现阶段在作念的便是「网罗和磨真金不怕火对都」。
三月份天南和寰球聊乐聚，就在说他们也要作念的具身基座，我体验完之后撑持这个见解。
是以他们此次发布的后磨真金不怕火系统，我认为是沿着这个场地再鼓舞。
3. 四款实践里，唯一跑通闭环的是双足
这套后磨真金不怕火系统主如果乐聚我方作念的，测试用的 LingBot-VLA预磨真金不怕火灵验到乐聚的真机数据。
信得过让我感兴趣的不是这个，是他们如何去评释这套后磨真金不怕火系统。乐聚没只秀「我的实践跑通我的模子」，他们搭了两个场地的对照。
横朝上，以夸父 KUAVO 4 Pro 这台实践，去适配 5 个主流模子，看哪个阐扬最佳。纵朝上，拿 LingBot-VLA 这一个模子，放到 4 款不同实践上去跑，看各家实践的适配情况。
这种横纵交叉的打算，是会清晰站位的。
一个纯实践厂，只会秀「我的实践加我互助的模子，颖慧活」。一个纯模子厂，只会秀「我的模子，在常见实践上能跑」。
唯唯一个把我方定位成中间层、定位成后磨真金不怕火这一层的玩家，才会良友去作念这种横纵交叉的对照。因为唯独站在中间，这两个场地才都是你的业务。
更特原理的是纵向的终局，参与的 4 款实践里，夸父是唯一的双足东谈主形，何况它把整条闭环跑通了。双足是很难的实践，这个毋庸我多说。轮臂、机械臂底盘稳、行动空间规整，双足光是站着不晃就还是在消费一堆结果余量。
把我方难啃的双足，2026年世界杯官网放到蚂蚁的模子下面去跑。
我的解读是，乐聚这是把赌注摆明了：模子是谁的不艰巨，实践是不是最难的也不艰巨，他们押的是中间这套从真机数据到失败归因的闭环，能不成把难的组合跑通。
虽然，这个行动些许是作念给寰球看的，咱们暂且岂论。但双足这关真跑通了，至少阐发这套闭环能 work。
这条闭环，买通的是 真实机数据 → 模子后磨真金不怕火 → 多实践部署 → 真实机评测 → 失败归因回流。它 solid 的不是某一段，是「回流」两个字，失败的案例能自动喂且归驱动下一轮迭代。
站位，便是这样用一个行动摆出来的。
4. 平均不到20%的见着力，我有些疑问
再聊点现实。
乐聚后磨真金不怕火在 95 个场景的横向测评里，平均见着力(SR)是 17.59%，平均过程得分(PS)是 36.22%。坦率讲，17.59% 的终局，有点低。我的第一反应便是：这到底是数据不行，照旧模子不行?
这个问题我也径直问了乐聚的厚爱东谈主，他们跟我解释的约略原理如下：
第一，任务是真实难。这 95 个场景里，许多不是单步握放，而是精良插入、器具使用、擦抹消亡、小主张按压、动态斗争、褂讪搬运、多阶段状态调养。这些任务你换成东谈主手去作念，都得屏住呼吸。
我现场拍的测试过程，好阻隔易见效的一条。
第二，真机实施难。统一个模子，换一台机器东谈主，实践结构、末端夹爪、相机视角、行动空间、结果频率全变，终局随着变。这无意反证了前边说的，跨实践有多难。
第三，SR 体现的并不好意思满。SR 只看临了有莫得好意思满作念完，中间任何一步崩了就算 0 分。而 PS 过程分才响应过程鼓舞到了哪一步。复杂的多阶段任务，只盯着 SR 是抗击正的，GM-100 论文也专门说了这点，是以才另外界说了算计子任务完成度的方针。也便是说，PS 的 36.22% 比 SR 更能阐发模子真实的才智。
第四，它考的是长尾泛化，不是纪念。LingBot-VLA 论文里提到，测试继续大致 50% 的行动，根柢不在磨真金不怕火集前 100 高频行动里。等于专门挑模子没如何见过的组合来考，考的是举一反三，不是背谜底。
讲到这，得直面一个问题，我我方一运行亦然这样问的：就 150 条数据磨真金不怕火，会不会仅仅为了考证一下历程跑得通，拿来比见着力有点站不住脚? 乐聚的同学跟我强调，他们不是浅易的历程考证，是小样本要求下的压力测试，外加一次结伙预算的横向比拟。
给悉数模子一样 150 条的后磨真金不怕火预算，平正地比谁泛化得更好。在这个结伙预算下，LingBot-VLA 的两项方针都是最优，PS 比强基线 π0.5 超越近 10 个点。
这个解释倒能说得通，不外倒也算是揭了真机责任的遮羞布。
通盘行业距离可靠的通用操作，差距还很大啊。
乐聚顺遂还作念了垂直场景的落地。一样这套系统，到了具体的场景，比如汽车制造里的料箱拆垛，详细见着力作念到了 95% 以上，本领后果从最初的 30% 出面，提到了 80% 到 90%。
一个是通才压力测试上的 17.59%，一个是专才落地场景里的 95%。这两个数不矛盾，它恰正是「通才变专才」这条路的字据。
而把通才逼成专才的，便是中间那套后磨真金不怕火系统。
5. 把通才逼成专才的，是中间那套系统
这套系统的中枢，是一个自研的后磨真金不怕火算法库。细节我不逐个张开，Github上还是开源了。
挑两个我认为比拟真实的，用东谈主话讲一下。
一个是针对「可怜性渐忘」的。
VLA 基模微调有个老转折：新本领学会了，预磨真金不怕火阶段的资门径却丢了。乐聚用的是基于 LoRA 的轻量微调，你不错贯串成，给模子注入新本领的时刻，尽量别去动它原本那套繁密的先验，这样它面临没见过的物体，泛化才智才不会塌。
另一个是交融了生成式世界模子的后磨真金不怕火。
传统 VLA 许多时刻是在机械地师法示范行动，并不睬解行动背后的物理因果。加了世界模子之后，终点于让模子脱手之前，先在脑子里预演一下「我这样操作，接下来会发生什么」，再据此选当下合理的行动。说东谈主话便是，从背谜底，酿成了边推理边干。
算法库之外，是三条器具链：数据网罗处理平台、后磨真金不怕火器具链、端侧部署测评器具链。
串起来，便是一条从数据到现场的好意思满活水线。其中阿谁数据平台很戳我，它把门径化的数据清洗作念成了活水线，采完径直输出干净数据，传说能把原本 3 到 5 天的清洗工时压到一天。
开源的代码库我周末也用他们数据跑了一下，没什么很大的坑。
这套东西成不熟习，还有个侧面的字据：在刚杀青的 ICRA 2026 的 REAL-I 挑战赛里，全球高校的学生，依托乐聚绽开的数据集和全栈器具链，一天之内就能从零起步，把模子部署到真机上，跑通金属件翻正、日化瓶取放、快递包裹扫描这三个真实工业场景。
学生一天，从零到真机跑通。
能把上手门槛压到这个进程，阐发这套后磨真金不怕火系统，确乎在往「工业品」的场地作念。
写在背面
回到最运行。我之是以去找乐聚，是因为我我方的数据采得不顺，外包采回想一泰半不成用，根子在于采的东谈主不懂模子需求。
是以乐聚遴荐我方买通数据和模子，我认为他们照旧有我方的想法。
在我的视角看来，他们想解决的可能是一个结构性问题：当搞数采的东谈主我方就懂算法，那么获取的每一条数据都是带着模子需求的。
数据和模子，背面可能从数采的开首就走到一都。
但还有两件事，我还有点疑问。
一是模子用的蚂蚁的，乐聚作念的是后磨真金不怕火和数据，从我的体感上来说，这一层的壁垒是短期照旧恒久，当今还说不太准，照旧说换个罕有据有算力的玩家也能砸出来。
二是横向测评里低 SR 就摆在那儿，通盘行业对通用具身的预期照旧不成太乐不雅，乐聚当今的最初能不成保持，也要看背面的迭代。
从我的不雅感上来看，我仅仅认为数采厂我方作念模子和算法，起点上会有我方的想考。况且本年通盘行业都在喊落地，搞运控的卷舞蹈，搞大脑的找落地场景（进家庭/进工场），产业正在繁殖大都的开导需求。
这样大的需求，只靠当今行业的算法团队限制根柢吃不用。乐聚这套后磨真金不怕火体系一定进程上裁汰了开导门槛，想加入但莫得训诲的开导团队也能快速参与进来。
-END-2026年世界杯官网
备案号: