τ(0)-VLA 用 4 万小时真机数据攻克长程机器人任务
机器之心 · wechat · 2026-07-27
这篇公众号长文解读了具身智能新模型 τ(0)-VLA，核心目标是让机器人从“会做动作”升级到“能完成任务”。文章认为，传统 VLA 更像反应式控制，而长程任务需要“慢思考+快执行”的分层架构：上层负责任务拆解、状态跟踪和规划，下层负责实时动作控制。
关键设计
- 引入 Test-Time Scaling 和世界模型推演，让机器人在行动前先预测不同方案的后果
- 高层规划由四个模块组成：候选任务生成、世界模型、价值评估、反思决策
- 形成类似束搜索的子任务级推理机制，专门处理物理世界中的链式影响
训练数据与规模
- 训练使用 40115 小时真实机器人交互数据
- 其中包含 2 万小时以上真机数据，覆盖多种机器人形态与公开数据集
- 低层动作空间统一为 40 维，通过 mask 适配不同本体
实验结果
- 在 AGIBOT G1 上，引入分层规划后，平均成功率从 27.5% 提升到 45.0%，平均任务进度从 80.10% 提升到 87.85%
- 在多项真实操作任务上，模型也表现出较强的直接执行能力，部分任务达到 10/10 成功率
文章的结论是：具身智能正在从短动作 demo 转向长程闭环执行，而“先想清楚再动手”可能是下一阶段的关键瓶颈。
所属事件:τ₀-VLA 模型攻克机器人长时程操作难题(2 条相关)→
「具身」频道最新
- 宇树 H2 人形机器人摔倒如不倒翁,顽强爬起萌翻网友 — CyberRobooo · 2026-09-23
- GPT-6 实测 LIBERO 机械臂任务：能开灶台，抓不住摩卡壶 — YuXiang_IRVL · 2026-09-23
- OpenRoboto Shift 发布:众包第一视角视频训练人形机器人大脑 — markjeffrey · 2026-09-23
- Bittensor 社区推 OpenRoboto,做去中心化版 Figure 机器人数据网络 — markjeffrey · 2026-09-23
- 决策模型 Jev 接入 OM1,在 NVIDIA Isaac Sim 中驱动 Go2 机器人导航 — paigeinsf · 2026-09-23
- 特斯拉 Optimus 宣传：首个通用型人形机器人，将改变世界 — XFreeze · 2026-09-23