衡宇 发自 凹非寺
量子位 | 公众号 QbitAI
什么时候是具身智能的ChatGPT时刻？
大概是大伙儿看到GPT-6 Astra凭一行API就能跨界给机器人下达指令的时候。
老O家还是有实力，抢先一步跟全世界证明，AI的通用能力足够惊艳，且远远没到头。
好消息：发动机性能比我们所有人想象中更强，AI模型仍然坐在超跑上！
坏消息：把指令翻译成物理动作的工程底座（Infra）却还是一条坑洼土路……
模型能力越强，就越需要一套好用、完善的具身Infra，接住前沿算法的每一次跃迁。
近期，逐际动力更新了其开源工程底座FluxVLA Engine的第二版技术报告。
相较9月发布的首版，V2进一步加入在线强化学习后训练实验，并扩展了仿真评测和真机部署的覆盖范围。
报告显示，在仿真侧，14种策略接入同一套LIBERO闭环评测，在RoboCasa GR-1、RoboTwin与RoboDojo上各有8种策略的接入结果。
在推理端，针对8组模型与设备组合的实测显示，优化后的模型推理路径频率提升至2.31–9.64倍。
而在ALOHA、Rebot、双臂Franka以及逐际动力自研的全尺寸人形机器人LimX Oli等多款真实硬件平台上，报告也完整验证了从模型checkpoint直达真机闭环执行的部署链路。
在线强化学习也是这次更新的一项重点。
以SmolVLA为例，在两组配对实验中，经过在线强化学习后，其在LIBERO-10和RoboTwin Clean十项任务上的成功率分别提升10.0和15.4个百分点。
自今年4月8日开源以来，FluxVLA Engine陆续扩展模型支持、评测配方和真机部署能力。
用逐际动力自己的话来说，FluxVLA Engine就是让底层工程能力真正可复用，把宝贵的研发人力从无休止的“配环境、改接口”中解放出来，让先进的模型真正有路可走、有地可落。
告别“作坊式”重复造轮子，为具身研发建一条“标准产线”
为什么具身智能研发这么又烧钱又费人？
一大原因是行业里缺少统一的标准件。对大多数团队来说，每一个新实验都是一个一次性工程。
FluxVLA Engine首要目标就是把这种作坊式的重复搭建，升级成标准化的工业流水线——逐际动力创始人兼CEO张巍就将FluxVLA Engine比作模型的生产线。
为了让这条生产线足够皮实足够好用，它围绕四项核心工程原则进行了底层架构设计。
- 统一配置（All-in-one）：告别满屏乱飞的脚本，用一套配置单统管数据、模型、训练、评测与部署的关键配置。
- 模块解耦：通过注册表和标准接口，把视觉语言骨干、动作头、数据集与训练策略做成标准乐高积木，支持自由组合，也允许保留原生策略实现。
- 面向部署的系统优化：不搞实验室里的纸上谈兵，从设计之初就把推理加速、RTC（实时动作分块协调）和轨迹后处理焊死在运行流程里。
- 实验可复现：完整封存每一次实验的配置、模型状态和执行轨迹，让成功有迹可循，让失败有据可查。
可喜的是，自今年4月开源后，FluxVLA Engine一直高频演进、持续运营。
（很多项目往往是“开源即巅峰，随后便断更”，你懂得）
看看它过去半年近乎急行军般的迭代日历，就能感受到这种生命力：
- 4月8日，FluxVLA Engine正式开源
- 6月22日，打通LimX Oli人形全身移动操作最小推理链路
- 6月30日，支持单双臂Franka真机推理
- 9月9日，接入GR00T N1.7
- 9月16日，技术报告挂上arXiv
- 10月15日，扩展RoboDojo评测支持
- 10月22日，V2报告更新，补充在线RL后训练、仿真与真机评测扩展
技术报告：https://arxiv.org/abs/2609.17210
GitHub主页：https://github.com/FluxVLA/FluxVLA
Hugging Face：https://huggingface.co/limxdynamics/FluxVLAEngine
踩着这些密集的脚印，这个底座的能力边界一路从最初的“能训练、能评测”，扎实生长到了如今的“能上真机、能数据回流”。
拥有FluxVLA Engine，研发团队就像拥有了一支在背后帮你持续升级基建、不断拓宽边界的外援工程铁军。
如何用一个底座打通训、评、部署全链路
当下，技术路线还在剧烈收敛前的震荡期。
今天火的是扩散策略，明天可能就是流匹配或者世界动作模型。要我说，倘若每换一条技术路线，过往的工程沉淀就要全部推倒重来的话，再大的公司也得轻则脱层皮。
要想远离这种“换模型就重头再来”的悲惨命运，唯一的解法是把底层工程基建与上层算法解耦。
换句话说，行业需要的是一个“以不变应万变”的工程底座。
FluxVLA Engine就是这样一个开源工程底座。它打通“训、评、部署”全链路，保障已有的工程积累不归零。
至于如何做到的，我们可以从三个关键切面来看。
第一是数据与模型。
想让风格、特性各不相同的模型共用同一条流水线，第一步就得把底层的“粮草”和接口先标准化。
在数据层面，来自不同机器人、不同仿真环境的原始轨迹，会先做显式转换、标准化清洗，整理成兼容LeRobot规范的结构（包含Parquet文件、视频以及配套元数据）。
同时，相机顺序、动作表达、归一化统计这类约定，也会做好对齐匹配。
处理之后的这批数据，可以放到同一条管线里混训，也支持按分组保留各自独有的预处理、归一化规则。不管是训练还是推理，都会通过独立的数据入口，遵循同一套模型输入、动作处理语义。
像数据这样的核心资产，在具身智能研发过程中成本最高。
减少资产贬值、提升复用效率，本身就是具备行业价值的降本方案。
同样的逻辑也体现在模型层面。
平台目前已深度集成Qwen-VL、GR00T、π系列以及DreamZero等主流VLM、VLA和WAM架构。
不同模型完全可以保留各自的原生骨骼，同时通过统一接口丝滑接入训练、评测和部署流程。
这种设计有多爽呢？报告里的14种策略同台大练兵给出了最直观的证明。
这14种策略几乎涵盖了当下所有的主流门派：
紧凑型VLA、流匹配策略、模块化VLM+动作头、世界动作模型，甚至还包括完全不需要本地权重、直接通过API裸调的GPT-6 Astra。
近期，还新增了API裸调的MiniMax-M3.1-Flash。
在项目报告的各自配置下，13个本地checkpoint策略中有11个在LIBERO上的平均成功率超过95%（如DiT4DiT达98.65%，π0.5达97.95%）。
能感受到它带来的好处吗？
当新模型发布时，别人还在苦哈哈地熬夜配环境、对齐数据格式，你能事半功倍地更进一步。
第二个切面是在线强化学习（Online RL）。
光靠模仿学习（SFT）喂出来的模型，就像只会背题库的学生，一遇到没见过的突发状况就容易懵。
要让模型真正聪明起来，必须让它去环境里去实战前沿试错，也就是进行在线强化学习。
不过，因为在线强化学习需要把环境交互、策略更新和分布式训练串起来，工程复杂度会瞬间呈指数级爆炸，很多优秀团队都望而却步。
现在好了，FluxVLA Engine帮大家把这个硬骨头啃下来了——
通过集成RLinf，FluxVLA Engine让兼容的流匹配策略可以直接拎包入住，进入在线交互训练流程，免去了重新适配模型和数据管线的痛苦。
在仿真配对实验中，每个基准的各任务均从同一SmolVLA SFT checkpoint出发，分别进行任务专用的PPO后训练。
经过40个外层迭代，LIBERO-10的任务平均成功率从66.2%提升至76.2%；RoboTwin Clean十项任务从45.9%提升至61.3%，分别提高10.0和15.4个百分点。
可以看到，平台实质性跑通了从“模仿学习起点”迈向“在线交互提分”的工程捷径，哪怕是小参数模型，也能在闭环试错中榨出惊人的潜力。
第三个切面，显微镜式评测。
过去这套评测机制特别不友好。你没法看清模型到底是怎么跑的，最后就一个冷冰冰的成功率数字摆在那儿。
V2报告进一步扩展了仿真评测范围。
- RoboTwin新增了8种策略接入，同时提供Clean（纯净）和Random（随机）两种环境设置的成绩单；
- RoboDojo则对8种策略展开了涵盖42个任务、单模型高达2100次试验的“全科体检”。
前者通过比较两种设置中的表现，可观察模型对相应环境变化的适应情况；后者除了看最终成败，还实时记录任务进度条，并从泛化、记忆、精度、长程任务和开放指令五个维度画出“能力雷达图”。
这种细粒度评测对研发人员来说简直是福音～
比如一个叠衣服或抓积木的任务失败了，它其实可能已经完美走完了前三个阶段，只是在最后一步“放进盒子”时手抖了。
这时候将“阶段进度”与“最终成功率”放在一起看，就能快速发现模型究竟是眼神不好（视觉感知）、脑子不够用（长程规划）还是手脚不协调（精细控制）。
都说没有归因的评测就是盲盒炼丹。
这套可追溯、可定位的评测体系，本质上是在帮团队省钱。
因为知道病根在哪，所以下药精准度up up，盲目加数据、盲目烧算力的无效返工自然就减少了。
跨越从“仿真高分”到“真机干活”的生死线
俗话说得好，仿真器里猛如虎，一上真机就只能慢慢慢抖抖抖。
（别问我俗话从哪里来的）
具身模型通常会一次预测一段动作，再由机器人逐步执行。在这个过程中，模型推理可能需要较长时间，机器人控制回路却仍在持续运行。
如果上一段动作尚未执行完毕，下一段预测就已经生成，两段动作之间便可能出现不连续。即使模型输出的动作在数值上合理，也还需要满足机器人对速度、加速度和轨迹平滑性的要求。
为了治好真机部署的“卡顿”与“抽搐”，FluxVLA Engine放出了一套硬核的系统工程组合拳。
第一招：无损榨干算力，推理最高狂飙9.64倍
在不改动模型任何权重的前提下，FluxVLA Engine针对GR00T、π0.5等模型进行了深度的底层推理重构，把冗余计算和内核调度开销砍到了极致。
报告记录的8组模型与设备组合中，优化后的推理频率提升约2.31至9.64倍。
- 在NVIDIA A100上，π0.5的推理频率从2.20Hz提升至21.2Hz，足足快了9.64倍；
- 在算力受限的AGX Orin 64GB上，GR00T从3.20Hz提升至7.40Hz，π0.5则从1.40Hz提升至4.40Hz。
更绝的是这家伙快而不糙——
针对GR00T动作头的数值对齐测试表明，加速后的动作输出与原版相比，余弦相似度超过0.99999，最大绝对误差仅约0.02。
好家伙，纯靠工程优化把算力潜能榨干！既不花一分钱买新显卡，也几乎不牺牲模型精度。
谁听了不说一句Perfect？
第二招：给动作加上“减震器”，实现大脑与肢体的柔顺咬合
算力提升之外，动作稳定性同样关键。
FluxVLA Engine引入了实时动作分块协调（RTC）机制。
简单来说，就是利用上一段动作还没做完的尾巴，去约束下一段新预测动作的开头，像拉链一样把两段动作平滑地咬合在一起，消除突变。
后续由轨迹后处理模块执行平滑滤波与运动学约束，保证下发至电机的动作指令满足物理边界、输出平稳。
推理优化解决动作生成效率问题，RTC和轨迹后处理则负责衔接预测与执行，这三板斧劈下去，把前沿算法上真机的工程门槛削平了一大半，保护了昂贵的机器人硬件，更让模型表现出了类人的丝滑感。
第三招：“万用插座”跨本体迁移，在实战中完成数据回流
在真机部署环节，FluxVLA Engine巧妙地设计了双层解耦接口：管大脑的Runner和管身体的Operator。
具体来说，runner负责模型推理、动作调度和执行过程中的状态管理，operator则负责传感器数据采集、机器人通信与控制指令传输。
两者分工协作，将模型的动作预测与机器人本体的实际执行衔接起来。
有了这套万用插座，不同机器人本体只需适配各自的operator接口，就能接入同一套部署流程，迁移成本大幅降低。
V2报告展示了这套部署链路在ALOHA、双臂Franka、Rebot和LimX Oli等平台上的应用。
- ALOHA（六项任务）：π0.5总体成功率达72.22%；
- 双臂Franka（五项任务）：GR00T N1.7总体成功率高达88.00%，π0.5达79.00%；
- Rebot（四项任务）：π0.5总体成功率达77.50%；
此外，在全身高自由度的LimX Oli人形机器人上，面对复杂的箱体搬运任务，π0.5完成前三个阶段的比例达61.67%，走完全部四阶段的比例达33.33%，清晰验证了全身移动操作的链路贯通与瓶颈所在。
（注：以上均为项目报告在特定配置下的实测结果，旨在验证跨平台部署链路而非受控架构对比）
但对于具身研发而言，让模型在真机上跑通任务只是工程链路落地的上半场。
如果人类在旁边帮它纠正的动作、机器人在真实世界里出的错不能变成养料重新喂给模型，那具身智能永远转不起数据飞轮。
为此，FluxVLA Engine直接把“人在环（Human-in-the-loop）执行与学习闭环”做成了标准工程模块。
它支持机器人在自主干活时，人类随时无缝接管纠偏，并自动完成纠偏数据采集与奖励标注。
配套ARM研究展示了这类方法的应用——
在ALOHA八阶段毛巾折叠任务中，行为克隆基线的成功率为62.1%；采用SARM奖励建模的方案后，成功率提升至78.5%；进一步采用ARM优势加权行为克隆后，成功率达到99.4%。
同时，每小时完成的任务吞吐量也从18个回合提升至32个回合。
看到这里，FluxVLA Engine的进化全貌就彻底清晰了：
它不仅帮你把模型送上真机，更帮你架好了两台“进化引擎”。
一台在仿真器里通过在线强化学习左右互搏，一台在真实世界里通过人在环吞吐实战经验。
数据飞轮真正转起来之后，之前因具身Infra过于分散和古早而被卡住的模型能力上限，才能彻底释放。
从数据处理、模型训练、仿真评测，到推理加速、真机部署，再到真实任务数据回流，FluxVLA Engine向行业交出了一套覆盖具身研发全生命周期的标准化工程方案。
这套底座并非闭门造车，而是逐际动力在具身智能算法、通用机器人本体研发与工程交付中，摸爬滚打攒下的实战结晶。
在报告的结尾，逐际动力还剧透了更为庞大的后续生态版图：
FluxBisim、FluxDAgger、FluxThemis已率先发布并投入使用，FluxMimir与FluxHermes正在路上。它们将分别镇守数据、仿真、交互、评测和部署五大核心关口。
正如张巍所言，“FluxVLA相当于模型的生产线”。
在这条产线上，懂场景、有数据的垂直应用团队，完全可以把精力100% 聚焦在核心业务与算法创新上；而那些脏活、累活、容易踩坑的底层基建活，则由逐际动力通过标准化的开源底座，持续开放及优化。
站在更高的行业视角来看，具身智能的竞争逻辑正在发生深刻的重构。
至少，具身智能领域着实被GPT-6 Astra狠狠上了一课。
一直以来大家都默认，语言大模型和物理世界的机器人，其实是两条有点交集的赛道。谁也没料到它能跨过来，当头棒喝，秀了波降维打击。
传统具身模型正面临与翻译、3D等领域同样的颠覆风险。所以别笑，你在这个领域你肯定也慌。
面对这种局面，出路在哪？
专心深耕底层模型固然是必修课，但在这里求求各位，别只光盯着模型了！
在继续打磨模型的同时，具身基础设施的打磨也必须提上快车道。
只有当具身底层工程能力像水电煤一样高度可复用，行业的每一次试错才不会沦为沉没成本，宝贵的研发资源才能从无休止的“重复造轮子”中抽身，投向真正未知的新能力探索。
热门跟贴