千尋智能開源模型Spirit v1.5登頂RoboChallenge！

1月12日，千尋智能自研的具身智能模型Spirit v1.5 在 RoboChallenge評測中取得綜合排名第一，在任務得分與成功率兩個維度均超越Pi0.5。

為驗證榜單成績來源于自研模型且真實有效，千尋智能同步開源了Spirit v1.5的基模權重、推理代碼以及使用樣例，接受公眾與研究社區(qū)的獨立檢驗。通過這一方式，研究者不僅可以復現(xiàn)榜單評測結果，也可以將 Spirit v1.5 作為具身智能基礎模型，在此基礎上開展進一步研究與創(chuàng)新。

RoboChallenge 是 2025 年新成立的標準化評測體系，由Dexmal、Hugging Face等機構聯(lián)合發(fā)起，聚焦具身智能模型的跨平臺能力驗證。作為當前具身智能領域強調真實機器人執(zhí)行能力的重要 benchmark，其評測任務覆蓋復雜指令理解、多步驟操作規(guī)劃以及跨場景執(zhí)行穩(wěn)定性等多個維度。Spirit v1.5在該平臺取得第一名，顯示出其在通用機器人任務與真實執(zhí)行場景中的綜合能力。

RoboChallenge 評測表現(xiàn)概覽

從評測結果來看，Spirit v1.5在多項任務中保持較高成功率，尤其在多任務連續(xù)執(zhí)行、復雜指令拆解以及跨構型遷移等維度中表現(xiàn)穩(wěn)定。截至最新評測周期，其綜合得分超過 Pi 0.5 等此前領先模型，位列榜單首位。

RoboChallenge 的評分體系不僅關注任務是否完成，還對模型的執(zhí)行過程進行評估，包括空間定位、遮擋處理、長時序穩(wěn)定性以及面對新任務時的遷移效率。這種評測方式對模型的泛化性、穩(wěn)定性與執(zhí)行準確性提出了更高要求，也更貼近真實機器人應用場景。

技術架構與關鍵方法

在模型架構上，Spirit v1.5采用 Vision-Language-Action（VLA）統(tǒng)一建模框架，將視覺感知、語言理解與動作生成整合在同一決策流程中，減少多模塊串聯(lián)帶來的信息損耗，并提升長程任務中的整體穩(wěn)定性。

在訓練方法上，Spirit v1.5 的一個核心特點是不依賴高度精選的“干凈”演示數(shù)據(jù)。千尋智能在技術博客中提出，過度腳本化、受控環(huán)境下采集的數(shù)據(jù)，雖然有利于模型快速收斂，但會限制其在真實世界中的泛化能力。

因此，Spirit v1.5 在預訓練階段引入了開放式、多樣化的數(shù)據(jù)采集范式。數(shù)據(jù)采集不再嚴格限定任務腳本，而是以“完成有意義目標”為導向，允許操作過程中自然串聯(lián)多個子任務與原子技能。這種方式使模型在訓練階段接觸到更接近真實世界的復雜性，包括遮擋、失敗恢復以及任務之間的自然過渡。

相關消融實驗顯示，在相同數(shù)據(jù)規(guī)模下，基于多樣化數(shù)據(jù)預訓練的模型，在新任務上的遷移效率明顯高于基于傳統(tǒng)演示數(shù)據(jù)訓練的模型，達到相同性能所需的計算資源顯著減少。這一結果也解釋了 Spirit v1.5 在 RoboChallenge 多構型、未見任務評測中的穩(wěn)定表現(xiàn)。

開源路線與社區(qū)意義

在取得評測成績的同時，千尋智能選擇同步開源 Spirit v1.5模型權重、訓練代碼以及榜單評測相關實現(xiàn)。通過這一方式，社區(qū)不僅可以驗證模型性能，也可以將其作為具身智能研究的基礎模型進行擴展。

在當前具身智能研究仍高度依賴少數(shù)技術路線的背景下，Spirit v1.5為學界和產(chǎn)業(yè)界提供了一條不同的數(shù)據(jù)范式與訓練思路，有助于推動更具泛化能力的通用機器人模型探索。