“明牌”對局，自變量開源模型超越pi0

近日，全球首個大規模多任務的真機基準測試平臺RoboChallenge榜單更新，前三名依次為pi0.5、WALL-OSS和pi0。

科普時間到，pi0.5、pi0是出自美國公司 Physical Intelliqence的操作大模型，WALL-OSS是出自中國自變量機器人的全自研開源操作大模型，不僅能完成操作，而且能同時生成復雜推理過程。

這一結果釋放出強烈的信號。很長一段時間內，中國具身智能產業陷入“大腦缺位”的爭議：我們有較強的本體結構設計和運控算法，但很難讓機器人真正“用腦思考”，自主與物理世界交互，進而帶來創造生產力的可能。但現在，中國具身智能模型已經與海外頂級模型同臺共舞。

更有意思的是，自變量和pi高度默契地選擇將模型開源。看似偶然的戰略趨同，實則是具身智能產業發展到關鍵階段的必然選擇。

在RoboChallenge的最新測試中，自變量WALL-OSS展現了極強的競技狀態，總分位居第二，超越了明星模型pi0。在疊洗碗巾、按按鈕、澆盆栽等多個任務中，WALL-OSS的得分摘得桂冠，排名第一。

先來劃個重點。

RoboChallenge的測試或許更像是一場“開卷考試”，因為數十個桌面任務與場景都是預知的。這就相當于提前布置考題。

而WALL-OSS作為開源模型，某種程度上相當于明牌上場，其每一步操作都真實可見為模型驅動，更多的意義在于給出解題思路，“進一步展示模型的真實性能”。

與用閉源模型參與測評的“黑箱”，不知任務究竟如何完成不同，WALL-OSS作為開源模型，其一舉一動相當于“明牌”炸場，換句話說其核心能力均可通過公開的代碼和參數得到完整解釋和復現，其在榜單上的成績完全是模型真實能力的直接體現，是無法摻水，難以被“操作”的硬核實力證明。

從技術細節來看，WALL-OSS取得優異成績的核心在于對“端到端”架構的深度重構：

它依托創新的混合專家（MoE）架構及“共享注意力+專家分流”設計，有效解決了視覺語言模型向具身模型遷移時的“災難性遺忘”與“模態解耦”難題；

通過“先離散、后連續、再聯合”的三階段訓練范式，消除了“認知與動作脫節”的痛點，使模型能精準掌控如澆盆栽時的動作力度；

此外，其內化的跨層級思維鏈推理能力，實現了高層決策與底層執行的無縫切換，使其在面對各類突發狀況時，仍能精準控制關節完成復雜任務。

有個小插曲，WALL-OSS去年9月開源，與Physical Intelligence開源pi0.5相錯一天，這也側面說明了自變量的技術步調一直與國際頭部具身大腦公司同頻。而今天自變量與Physical Intelligence的模型又在榜單前排聚首，更說明自變量已經站穩了全球第一梯隊。

開源之所以重要，在于生態建設，其價值最終體現在生態的繁榮之上。

自變量認為，在具身智能這一軟硬件深度耦合的前沿領域，構建一個高質量的開源基礎模型底座，是加速整個行業生態繁榮的堅實“地基”，也是實現機器人在物理世界大規模、穩定交互的關鍵。

當前，機器人模型的驗證鏈路冗長，行業里專用小模型、通用大模型質量參差不齊，基礎模型、專用模型、微調模型混雜，且缺乏統一的評價標準。開源是撥開迷霧、推動行業標準化和成熟化的必由之路。

在《硅谷101播客》中，自變量聯合創始人兼CTO王昊曾說：“我一直都覺得開源是非常重要的事情，開源意味著我們可以站在巨人的肩膀上繼續前進。我們可以基于已有成果做更多的改進，社區開發者的反饋也會幫助到開源的公司，開源公司可以從中吸取到經驗，然后把這個技術路線思考得更加深入。”

自變量開源的WALL-OSS正是秉承這種“提供肩膀”的開源理念，所以他們選擇更為徹底的開放：不僅開放了預訓練模型權重、完整訓練代碼和數據集接口，甚至還提供了詳盡的部署文檔。

除了構建行業繁榮生態之外，“站在巨人肩膀上”還在于避免行業陷入重復性研發的低效困境——無需每個企業、每個研究者都從零開始“一手手自建高樓”，而是可以基于開源的基礎模型快速迭代創新，將更多精力投入到差異化技術研發與場景化應用落地中，大幅提升整個行業的創新效率。

黃仁勛也曾直白說過，“開源如此重要的原因，在于沒有開源初創企業不能蓬勃發展，大學研究人員不能做研究，科學家不能使用人工智能。基本上，你的經濟沒有能力從根本上提升自己”。這不僅適用于AI，對于具身智能和任何技術來說都是如此。

事實上，技術革命的背后就是一場技術大規模應用并改變生產方式的過程。如果沒有應用也就把技術困厄于象牙塔，無法激起漣漪。

如自變量所說“擁抱開源，以透明對抗虛假，以協作代替閉門造車”，具身行業這條厚雪長坡上，需要的是明燈而非迷霧，眾人拾柴而非孤芳自賞。而開源，正是那盞能夠照亮前路、匯聚眾力的燈。