最近具身智能圈子里有个消息：清华大学唯一持股的具身智能公司星动纪元，发布了自研的世界动作模型 VPP2，在 RoboDojo 仿真评测榜上拿到综合第一。据量子位、观点网等媒体报道，它的平均成功率是 32.26%、平均得分 39.26 分，超过了 OpenAI 的 GPT-6 Astra、Physical Intelligence 的 π0.5 以及英伟达的 GR00T-N1.7 等头部模型。

更值得关注的是两点：它没有使用额外训练数据，也没有用 Agent RSI 这类增强手段，只靠标准数据集；并且模型已经开源。

这个榜是什么，为什么有人在意

RoboDojo 由香港大学 MMLab 牵头，联合全球近 20 所顶尖学术机构共建，定位是测试机器人在非结构化环境里的泛化能力。据公开介绍，它包含 42 项双臂操作任务，覆盖泛化、精准操作、长程任务、记忆、开放词汇指令理解五个维度。

对机器人来说，"在实验室里把杯子放进盒子"和"换个环境、换张桌子还能放进去"是两码事。榜单考的核心不是会不会做某个动作，而是换个陌生场景还能不能做对。 这也是具身智能这些年最难的坎之一。

技术本质：把"视频预测"和"动作学习"拆开

想理解 VPP2 的突破，先看它要解决的问题。

现有的世界动作模型（WAM）容易在两个地方翻车：

• 视频模型擅长生成"看着合理"的画面，但画面合理不等于符合物理规律。比如让它抓左边的杯子，它可能预测抓起右边那个，视频照样生成，机器人一执行就跑偏。
• • 直接把动作学习塞进视频模型，可能损伤原本的泛化能力——动作学会了，换个环境又不会做了。
    星动纪元的判断很直接：视频预测的质量，决定了动作的上限。 所以它没有把视频和动作"一锅炖"，而是分阶段训练，先让模型学会预测物理变化，再教它把预测转成动作。据媒体披露，它采用了一套三阶段策略：

1. 事件级视频继续预训练：让模型学会预测完整操作过程；
2. 2. 固定时长视频后训练与蒸馏：用一致性蒸馏把多步计算压成单步，让预测跟得上机器人实时执行；
3. 3. 动作专家训练：把视频预测转化为具体动作，同时尽量保住泛化能力。
      具体架构上，它以阿里开源的 Wan2.1-I2V-14B 为基础，整合机器人操作、人类活动、通用视频等多源数据；动作侧引入一个 0.9B 参数、采用 MoT 架构的扩散 Transformer（Action DiT）。为避免动作训练破坏已建立的预测泛化能力，训练初期冻结视频模型的基础参数，只用 LoRA 做适配。

据计算，视频预测约耗时 0.12 秒，动作生成约 0.1 秒，整体动作片段生成延迟约 0.22 秒——这个量级基本能满足实时控制的需求。

数据说话：泛化能力提升在哪

抛开架构，看结果更实在。据公开报道：

• RoboDojo 综合榜单：平均成功率 32.26%、平均得分 39.26，综合第一，同时拿下泛化、精细操作、记忆三项第一；
• • LIBERO-Pro（考察物体位置、任务要求变化）：总体成功率 45.0%，其他基线模型最高只有 11.0%；
• • LIBERO-OOD（考察组合泛化，把熟悉的物体、布局、任务目标重新组合成新任务）：总体成功率 63.9%；
• • 真机 ALOHA 上的零样本操作成功率据报道达到 58.5%。
    还有一点容易被忽略：这个成绩是在没有额外数据、没有外挂增强的前提下拿到的。它在说明一件事——具身智能的性能上限，还没到只能靠"堆规模"的地步，优化数据管线、调整训练范式这些朴素工程手段，依然能带来可观提升。

对从业者意味着什么

如果你在做 AI、机器人或相关工程，这篇值得关注的原因有三个：

1. 它开源了。 代码和项目主页已公开，想复现或借鉴训练范式的可以直接上手。对个人开发者来说，这是难得的完整案例。
2. 2. 它指了一条可复制的工程路线。 "先预测、后行动"的解耦思路，以及数据切分、蒸馏加速这类做法，可以迁移到其他多模态任务上。
3. 3. 它对应的是具身智能的落地场景。 据媒体介绍，星动纪元已在物流等领域和行业企业合作，在多个省市、十余个物流中心做常态化运营。
      入门建议：可以从 RoboDojo、LIBERO 这类评测基准入手，先搞清它们各自考什么、怎么判分；有条件的，用仿真环境跑一跑开源模型，比只看宣传稿有用得多。

也要泼点冷水：榜单分数高，不等于真机好用。仿真到真机之间存在 gap，32.26% 的平均成功率放到真实开放环境里，离"可靠干活"还有距离。世界动作模型的意义，是让"预测能泛化、行动也能泛化"，但要真正走进物理世界，还得在数据、算力和真实场景上继续磨。

收个尾

VPP2 这次登顶，与其说是某个模型赢了一局，不如说是"把视频预测和动作学习解耦"这条技术路线被验证了一次。往后具身智能的比拼，大概率会落在同一件事上：机器人能不能把学到的本事，带进更多陌生场景。

你觉得具身智能下一波会先在哪个行业跑通？评论区聊聊。