<mark id="oztn4"></mark>
0
| 本文作者： 小七 | 2026-07-09 22:25 |
編輯丨李希
7月9日，北京人形機器人創新中心（以下簡稱北京人形）的慧思開物平臺技能庫重磅更新了，北京人形本次是聯合中國人民大學高瓴人工智能學院，正式開源了Robo-ValueRL。 這不是一次普通的開源，而是具身智能領域一次相當關鍵的"認知升級"——機器人終于不再對所有數據照單全收，而是學會了"甄別數據優劣"。
01
說實話，當前具身智能賽道有一個很尷尬的現實：大多數模型本質上還在做"復讀機"。
人工遙操作采集的軌跡里，優質動作、猶豫動作、糾偏動作、失敗動作、無效操作混雜在一起。模型沒有能力區分這些片段的價值，只能全盤接收、混同訓練。結果是數據量堆上去了，但精度和穩定性卻卡在天花板，甚至越練越弱——學新忘舊，陷入典型的災難性遺忘。
更關鍵的是，這種"來者不拒"的訓練模式，直接限制了機器人的應用場景。目前行業落地大多集中在大件搬運、粗粒度放置這類低精度場景，半導體精密裝配、3C制造等高價值工業場景始終打不開。
這不是技術選型的問題，而是底層范式的瓶頸。
02
這次開源的Robo-ValueRL，本質上是在傳統VLA（Vision-Language-Action）框架里，塞進了一個價值估計器。
這個價值估計器的作用，相當于給機器人裝了一個"質量雷達"——它能基于歷史觀測信息，對軌跡數據進行質量判定，篩選高價值樣本，把低質量干擾數據擋在訓練門外。
具體來說，它解決了三個真實場景痛點：
視覺遮擋：單幀畫面被遮擋時，歷史信息能補全判斷
觀測歧義：重復紋理、相似場景下，歷史軌跡提供上下文
任務狀態重復：避免在循環狀態中誤判進展
從實驗數據看，這個價值估計器對任務進展和動作質量具備雙重感知：任務平穩推進時價值曲線整體上升；一旦出現失誤或偏差，價值估計會立即捕捉下降信號，輔助定位錯誤節點。
一句話：機器人終于知道哪些經驗值得學，哪些該扔掉。
03
在線迭代中的災難性遺忘，是具身智能長期面臨的"進化悖論"——模型在新場景上微調時，會全局更新權重，前期習得的精密操作技能被覆蓋，越迭代越退步。
Robo-ValueRL的應對策略很務實：凍結預訓練主干，用輕量殘差適配器做增量微調。
這意味著模型保留了預訓練階段的核心通用能力，只針對具體失敗模式學習修正策略。配合人在回路的數據采集機制，模型可以在真實環境中持續交互、篩選高質量樣本、精準微調，實現"學新盡量不丟舊、越練越穩"。
04
官方披露了僅訓練6天的真機驗證數據：
橫向對比Dagger等主流算法，Robo-ValueRL在雙任務中均取得更優表現。更值得關注的是效率維度：人類遙操作完成單次芯片插入通常需要2-3次嘗試，而搭載該框架的機器人可一次完成毫米級精密插入，作業效率達到人類操作員的1.5倍。
從46%到86%，從60%到84%，這組數據的真正意義不在于漲幅本身，而在于它標志著人形機器人從"被動模仿"向"價值引導學習"的范式轉變。
05
這次開源的誠意值得關注——論文、代碼、數據、模型同步開放。
區別于行業內常見的"只放演示視頻"或"部分結果開源"，Robo-ValueRL提供的是一套完整的離線預訓練+在線自適應微調全鏈路VLA強化學習技術棧。研究社區可以系統分析價值估計在機器人學習中的作用，產業研發團隊也能基于真實數據和模型工具，進一步探索高精度操作在半導體、3C制造等場景的應用。
06
具身智能賽道今年明顯在加速，但"加速"不等于"成熟"。Robo-ValueRL的價值在于，它瞄準了一個被長期忽視但至關重要的環節——數據質量評估與在線持續進化。
在工業落地層面，精度、穩定性、可迭代性缺一不可。價值估計器的引入，讓機器人具備了"自我甄別"能力；凍結主干+殘差微調的架構設計，則保證了這種能力可以持續進化而不退化。
當然，86%的成功率距離工業級"零缺陷"標準仍有距離，長時序任務的泛化能力也需要更多場景驗證。但至少，具身智能已經邁出了從"粗放模仿"到"精細化學習"的關鍵一步。
