众力资讯网

大模型上机器人很热闹,成本延迟却卡住落地,轻量路线能走多远

最近我注意到MIT韩松团队的PEAR项目。它没跟着超大模型的热闹走,而是让一个二十多亿参数的通用模型去控制机械臂。重点不是参数多大,而是它把操作当成空间推理,用仿真强化学习训练,还能在消费级显卡上跑起来。
这两年大模型进机器人很热,Fable、GPT-6 Astra这类名字一个接一个。开发者想让它做复杂任务,但真到落地就遇到推理贵、延迟高、端侧算力散热不够的问题。我也想弄明白,通用模型到底能不能用得起、跑得动。

PEAR给出的思路有点反直觉。它把开机械臂类比成操作电脑:电脑上看截图找按钮,机器人看三路摄像头和关节状态,再输出带位置和姿态的JSON。后面交给逆运动学转成关节角,控制器去驱动。二维坐标换成三维位姿,操作方式其实没变。
它还有“三无”设计:没有独立感知模块,没有抓取规划器,也没有预设技能库。定位、规划、纠偏都让模型从画面里自己判断。和常见的感知、规划、控制分层比,它少了中间商,也把压力压到模型的空间推理上。

训练方法也不走老路。PEAR不用人类遥操作演示,也不用真机数据,全部在仿真里做强化学习。很多VLA靠大量示范做模仿学习,像背动作模板;强化学习更像在现场解题。这个差别后面在扰动测试里很明显。
成绩上,底座模型在LIBERO上零样本约1.6%,PEAR能到约74.4%。这个数字离闭源旗舰还有距离,但已经不像一个小模型随便试试。更值得看的是扰动:任务从“放盘子”换成“放炉灶”,π0.5掉得很厉害,PEAR只是温和回落;物体对调时,PEAR也相对稳。可在改写措辞、替换外观上,π0.5仍领先,因为正确轨迹没变。我的理解是,模式适用就高分、模式失效就崩,说明有些方法在模仿,PEAR更像在推理。

跨域泛化是三个“没见过”:新任务、新机器人、新仿真器。它在LIBERO-Long长程任务上有提升,从单臂到双臂、跨仿真器也能迁移,在RoboLab-120上和NVIDIA Cosmos3、π0.5、DreamZero、GR00T同台。真机首秀是在没见过的双臂机型上,成功率约60%,底座是0。这不算可靠,但至少说明它能上手。
还有个容易被忽视的点:通用能力没被练傻。数学竞赛、科学知识、代码能力三项基准基本持平,视觉差距也小。同一个模型能推理、写码、读图,又能开机械臂,这打破了“专用化一定牺牲通用性”的成见。我觉得保留通用能力,可能正是它鲁棒性的来源。

工程落地更关键。每步动作前都要走一遍思维链,解码速度决定机械臂节奏。PEAR用NVFP4权重量化加投机解码草稿器,在移动端芯片、单张RTX 5090、GB300上跑出不同吞吐。
思考量还能调,effort档位越高,token越多,耗时越长,成功率也大致更高。带思维链的27B模型能在单张消费级显卡上实时驱动机器人,这件事的产业意义可能比真机成功率本身还大。不过它也不是万能,复杂、开放、非结构化的真实物理环境还很难。

仿真到现实的最后一公里、长程可靠性、安全边界都没解决。真机60%成功率,我的看法是可用,但离可靠还有距离。所以轻量路线改变的不是一个数字,而是思路。
过去觉得机器人更聪明就得模型更大、数据更多、算力更贵;PEAR试着用强推理底座加仿真RL,做出“够用”的操作能力。闭源前沿在往多模态、工具调用、实体控制狂奔,开源中量级更看重部署简单、可控、成本可预期。两条路不是谁取代谁,而是服务不同场景。

回到开头的追问,让通用大模型用得起、跑得动,答案可能不是更大的模型,而是更聪明的训练方式和更成熟的推理工程。真正的智能未必是臃肿巨兽,也可能是边想边干的“理工男型AI”。当轻量通用模型、仿真RL、本地高效推理形成合力,具身智能的经济性拐点也许就不远了。