星动纪元具身模型VPP2登顶RoboDojo仿真榜

在世界动作模型（WAM）赛道，清华大学持股的具身智能企业星动纪元近期取得突破。其自研的世界动作模型VPP2在具身智能基准RoboDojo仿真榜单中取得综合平均成功率32.26%、综合平均得分39.26分，位居榜首，超越了GPT-6-Astra、Physical Intelligence的π0.5以及NVIDIA GR00T-N1.7等模型。

RoboDojo由香港大学MMLab联合全球近20所学术机构建立，包含42项双臂操作任务，覆盖泛化、精准操作、长程任务、记忆及开放词汇指令理解五个维度。VPP2在未添加额外数据或外挂增强策略的情况下，基于标准数据集完成了训练，并在泛化能力、精细操作与记忆能力三个单项维度同样排名第一。

在基准测试中，GPT-6-Astra的平均成功率为22.48%，得分为28.97分，VPP2分别超出9.78个百分点和10.29分。除仿真环境外，星动纪元将VPP2部署至真实的ALOHA双臂机器人上，针对抓取、放置、堆叠、折叠、倾倒等10类零样本操作任务进行实机测试，取得了58.5%的平均成功率，高于π0.5的40%，并在其中9类任务中取得最优成绩。

解耦与排序：三阶段训练架构

传统世界动作模型的核心痛点在于：视频预测虽逼真，但不符合物理规律或无法转化为有效动作，直接联合训练又容易破坏模型的泛化能力。针对“预测误差导致动作错误”的问题，星动纪元提出了视频预测与动作学习分阶段训练的方案：

1. 事件级视频继续预训练：以Wan2.1-I2V-14B为底座，将操作流程切分为语义完整的片段并搭配精准语言指令。模型学习完整物理事件的全流程，指令遵循成功率达90%，超越了64B参数的Cosmos3。
2. 固定时长后训练与蒸馏：将事件级模型优化为8秒视频片段预测，并通过一致性蒸馏将多步推理压缩为单步生成，使未来8秒的视觉预测计算耗时压缩至约0.12秒。
3. 动作专家训练（Action DiT）：引入0.9B参数的扩散Transformer（MoT架构）。训练初期冻结视频模型基础参数，仅用LoRA适配，避免动作学习损伤预测泛化能力。动作专家推理耗时约0.1秒，端到端延迟约为0.22秒。

在LIBERO-Pro环境与布局泛化测试中，VPP2取得45.0%的成功率（基线最高为11.0%）；在考察未见任务组合的LIBERO-OOD测试中，成功率达到63.9%。

物理AI架构的协同推进

星动纪元还探索了“通用认知+通用物理执行”的协作模式：由高层视觉语言模型（VLM）负责语义理解、记忆与步骤规划，底层VPP2负责物理变化预测与动作生成。实验表明，在长程任务测试中引入VLM子任务规划后，任务平均成功率由27.6%提升至57.6%。

目前，星动纪元正加速推进全栈软硬件布局，其具身方案已在部分物流中心落地验证。该团队已将VPP2开源，开放代码与模型主页供学术界与工业界复现：

• GitHub开源仓库
• 项目主页