「具身靈巧操作奧林匹克」大賽三項第一，全被國內這家公司拿下

機器之心編輯部

長期以來，我們已經習慣了機器人行業中那些令人眼花繚亂的視頻 Demo：在經過千挑萬選的背景下，智能體完成著精準又漂亮的動作。

然而，現實很殘酷。

如果把機器人扔進真實、雜亂且多變的環境中，它們往往會立刻「原形畢露」，頻頻大翻車。

機器人：抓不到，就是抓不到。

機器人：炒菜，我是外行。

這些看似簡單的任務（例如抓取物體、炒菜），雖對人類來說輕而易舉，但對于機器人卻是充滿了不可預見的挑戰。

當人們在精美 Demo 與笨拙現實的落差中感到無奈時，一家專注于具身智能及通用人形機器人研發的中國公司，在目前全球最硬核的實戰賽場上，交出了一份極具說服力的答卷。

近日，憑借自研 VLA 具身智能模型，星動紀元一舉斬獲了具身界靈巧操作奧林匹克 Benjie's Humanoid Olympic Games（簡稱 Benjie's Olympics）三項任務的全球第一。

星動紀元在 Benjie’s Olympics 大賽中斬獲的獎牌

Benjie’s Olympics 公布的最新成績顯示，星動紀元在翻襪子（銀牌難度任務）中成績位列全球第一，并在開鎖、剝橘子兩項金牌難度任務中同時登頂，三項核心任務全面刷新世界紀錄。

Benjie's Olympics 公布星動紀元兩項金牌難度任務（開鎖、剝橘子）第一。

Benjie's Olympics 公布星動紀元銀牌難度任務（翻襪子）第一。

要真正理解這三項第一的分量，必須先搞清楚一件事：星動紀元擊敗的，不是一個普通對手。

他們擊敗的是整個行業公認的技術領先者 Physical Intelligence（簡稱：PI），PI 拿出了從未公開過的閉源模型 π*0.6。

結果，全敗。

星動紀元也因此成為該賽事迄今為止唯一上榜的中國企業。

要知道，在全球具身智能領域，PI 的成績大多來自第三方機構調用其開源模型跑出的結果，但這并非 PI 的真實戰力。

Benjie's Olympics 是個例外。這是目前全球唯一一個 PI 官方主動下場、親自參賽并公開打榜的賽事。PI 為此派出的是從未對外開放的核心閉源模型 π*0.6，可以說是真正意義上的全力出擊。

而星動紀元，正是在這個擂臺上，三項全部拿下第一。

毫不夸張的說，這是具身智能行業有史以來，第一次有機構在全力對陣 PI 閉源模型的條件下，實現全面超越。在此之前，沒有任何一家企業做到過這件事。

硬核機器人比賽，讓 Demo 玩家出局

要理解星動紀元這幾項第一的含金量，我們必須先了解一下 Benjie's Olympics 是一個怎樣硬核的存在。

如果你在機器人行業待過一段時間，就會發現一個心照不宣的秘密：大多數發布會上的 Demo，是精心設計的表演，而非真實能力的呈現。

Benjie's Olympics 的存在，就是為了終結這種表演文化。

該賽事由前谷歌資深機器人專家 Benjie Holson 發起。創立初衷只有一個，就是為了撕下機器人行業的包裝，把評判體系從炫技表演拉回到實用落地的層面上來

正因如此，它在業內迅速贏得了一個非官方的稱號：機器人行業的壓力測試。那些花里胡哨的 demo 炫技在這場比賽中將無所遁形。

這場比賽的含金量，不僅體現在賽制本身，更體現在參賽陣容上。賽事匯聚了 PI、Sunday Robotics 等全球頂尖具身智能公司。前面我們也已提到，這也是 PI 唯一主動參與的賽事，他們為此專門出動了其閉源旗艦模型 π*0.6，代表了 PI 大腦能力的最高水準，而非任何保留實力的參賽版本。

換句話說，這場比賽的成績單，直接反映了當前具身智能領域的全球最高水平。能在這個擂臺上拿第一，意味著什么，不言而喻。

賽事共設有15 項實戰挑戰，按照難度分為金牌、銀牌和銅牌難度任務，開鎖和剝橘子屬于金牌難度任務，而翻襪子則屬于銀牌難度任務。在這些任務中，任何微小的差錯（1–3mm）都可能導致任務失敗，極考驗機器人的精準度和穩定性。

對于金牌難度任務，行業內公認幾乎無法達標，對于銀牌難度任務，看似日常，實則對柔性物體操控能力要求極高。星動紀元正是在大家公認不可能全部完成的任務上，全部拿到第一。

規則層面的苛刻程度同樣超出常規賽事：全面考驗機器人的自主能力和適應能力。要求全自主、零人工干預、無仿真。一旦任務開始，禁止任何形式的遙控、人工介入或遠程修正，機器人必須在真實場景中完全自主完成任務。環境和物體隨機擺放，禁止使用標記或預掃描地圖，確保每個任務都在全新的、不可預知的條件下進行。

這意味著，參賽選手不能靠背題，只能靠真本事。

正如 Physical Intelligence 團隊所評價的：「每個任務都瞄準具身智能最難的未解問題，柔性物體、高接觸操作、長時序自主。沒有其他比賽能比肩。」

業內專家的共識則更加直白：這是唯一強制泛化而非復現的比賽。多數隊伍連銅牌都過不了；金牌，近乎奇跡。

對于這種規格的比賽，選手們也是大倒苦水：「我們花了 6 個月做 Demo；在 Benjie 任務上 3 天 90% 失敗。真實世界真是毫不留情。」看完這個評論，真是覺得好笑又心酸。

行業因此形成了一個新的評判標準：能過 Benjie 關，才叫工業級全棧；過不了，都是 Demo。

正是在這樣的背景下，星動紀元在開鎖、剝橘子、翻襪子三項任務中全部斬獲第一。

但這三項成績的意義，不能用普通比賽的邏輯來理解。

以剝橘子為例，單是這一項任務，就要求機器人同時具備：3D 視覺與觸覺的實時融合、LLM 任務規劃與運動控制的協同調度、物理常識推理（重力、摩擦、形變預判），以及誤差自修正能力（如物體跌落后的恢復策略）。任何一個環節的短板，都會導致全盤失敗。

這不是某一項技術的領先，而是全棧能力在極端壓力下的整體驗證。

在一個金牌近乎奇跡的比賽中，拿下三項第一，這就是星動紀元交出的答卷。

擊敗 PI，星動紀元三大核心任務奪冠

Benjie's Olympics 在成績公告中宣布，星動紀元在剝橘子、開鎖和翻襪子三大核心任務中，均以顯著的優勢超越了前紀錄保持者 PI。

PI 曾是該賽事中首個拿下多個金牌難度任務的頂尖團隊。然而，星動紀元此次交出的成績單，不僅是執行時間的全面縮短，更是在操作方式和模型泛化能力上展現出了獨特優勢。

剝橘子（金牌難度任務）：首個實現純手剝，速度比 PI 飆升 35%

剝橘子這類任務，對人類來說非常輕松，但對機器人而言，卻是典型的高難度操作。一不小心就會把橘子捏碎，果肉撕裂，導致操作失敗。

更困難的是，這一過程往往需要雙機械臂的協同配合：一只機械手需要穩定固定橘子，控制整體受力，另一只手則需要沿著果皮邊緣進行精細剝離。在剝離過程中，力的大小、方向以及接觸位置都需要不斷動態調整，一旦兩只手之間的配合出現偏差，就容易造成擠壓或撕裂。

與此同時，橘子在操作過程中還會持續發生形變，機器人需要實時感知果皮與果肉之間的微小變化，并據此調整動作策略。這使得剝橘子不僅是一個簡單的操作任務，而是對視覺感知、力控制、雙臂協同以及實時決策能力的綜合考驗。

面對這一極其復雜的柔性操作，前紀錄保持者 PI 借助削皮刀等外部工具，最終用時 2 分 46 秒完成。而星動紀元則直接打破了工具的依賴，成為該賽事首個實現完全無工具、純手剝操作的團隊。他們僅用時 1 分 47 秒就完成了純手剝任務，速度比 PI 快了足足 35%。

開鎖（金牌難度任務）：克服重重視覺干擾，速度比 PI 提升 25%

人類開鎖往往可以依靠手部的觸覺反饋，但機器人的高精度操作極度依賴視覺前置引導。鑰匙開鎖作為典型的精細任務容錯率幾乎為零，金屬表面的高光反光還會在機器人的視覺傳感器中形成噪點干擾。這就要求 AI 模型不僅要能在一片反光中「摳出」鎖孔位置，還要精準解算出鑰匙的三維姿態。

在這項穿針引線的任務中，PI 的完成時間為 66 秒。星動紀元則展現出了更強的高接觸操作能力，僅用時 49 秒便順利開鎖，將整體操作速度提升了 25%。

翻襪子（銀牌難度任務）：訓練樣本比 PI 少 32%，執行速度快 30%

在機器人控制任務中，抓取硬質零件通常依靠的是三維坐標體系，但這套邏輯在「翻襪子」面前會瞬間失效。作為一個柔性物體操作場景，它的核心難點在于無規律形變。在翻轉的每一幀，襪子的物理形態都在發生改變。機器人必須實時跟蹤動態形變，精準區分出襪子的內外側和開口位置。這意味著模型必須真正理解眼前的這團布料，具備物理規律常識，而不是背誦動作指令。

為了完成這項任務，PI 動用了 176 個樣本，耗時 1 分 33 秒。而星動紀元則展現出了極其驚人的小樣本學習能力：他們僅使用了 120 個樣本（比 PI 大幅減少了 31.8%），不僅成功完成任務，耗時更是縮短至 1 分 04 秒，速度比 PI 提升了 30%。

星動紀元的超越不止是單純的更快，而是其模型在應對復雜任務時展現出的具體優勢：純手剝橘子不依賴外部工具，證明了模型對柔性物體形變的理解；開鎖任務的流暢執行，展現了高精度感知與動作的穩定協同；而用更少的訓練樣本完成翻襪子，則證明了其更高效的數據利用率與泛化能力。

這三項任務的綜合表現，驗證了這套自研具身大腦在真實場景下的技術優越性。

星動紀元 VLA 模型， 憑什么在具身智能頂級博弈中勝出？

在具身智能的演進路徑中，VLA（Vision-Language-Action）模型已成為主流范式。其核心愿景在于打破視覺感知、語言理解與動作控制之間的壁壘，實現三者的深度表征融合。

盡管 VLA 提供了統一的架構，但在實際應用中，智能體仍難以應對如「翻襪子」、「開鎖」等精細化操作。這類任務的難點不在于簡單的指令執行，而在于以下三重能力的復合要求：

• 高效的知識遷移能力：從海量預訓練數據中提取通用規律，而非對每個任務從零學起。
• 動態自適應感知：在物體形變（如柔性織物）或環境干擾下保持感知穩定。
• 實時決策閉環：根據動作反饋即時修正軌跡，確保操作精度。

針對上述痛點，星動紀元 VLA 模型通過底層架構優化，在數據利用、感知精度和控制響應等關鍵環節上實現了顯著突破。

首先是極高的樣本效率，在具身智能研究中，數據往往是最稀缺的資源。尤其是在涉及柔性物體操作的場景中，采集和標注高質量數據成本極高，這也使得模型對數據規模的依賴成為長期瓶頸。

在翻襪子任務上，星動紀元僅使用 120 組訓練樣本，就達到甚至超過了 PI 使用 176 組樣本的表現，樣本量減少約 32%。這就好比別人背 1000 個單詞才能考過，它背 700 個就夠了。

其背后的關鍵在于基礎模型的知識遷移能力。通過在大規模預訓練階段學習到的通用視覺與動作規律，模型能夠將這些已有經驗遷移到具體任務中，從而在少量樣本條件下快速適應新場景。這種能力，使得模型不再完全依賴針對單一任務的大規模數據堆疊，而是具備了一定程度的跨任務泛化能力。

這種泛化能力在實際應用中非常關鍵，在現實場景中，很多任務都不具備充足的數據支持。如果模型需要依賴大量樣本才能發揮性能，那么其落地成本將極高；而一旦模型具備小樣本泛化能力，具身智能才能更好的在現實場景中落地。

其次是自適應視覺注意力機制，在具身智能任務中，感知能力往往是最容易被低估、卻最決定成敗的一環。尤其是在開鎖這類精細操作中，鑰匙孔往往只有毫米級大小，同時還伴隨著光照變化、金屬反光、視角偏差等多重干擾，這些因素都會顯著影響視覺識別的穩定性。一旦感知出現偏差，后續的動作執行幾乎必然失敗。

在這一點上，星動紀元引入了自適應視覺注意力機制，使模型能夠在復雜環境中動態聚焦關鍵區域，對鑰匙、鎖孔等微小目標進行特征增強。模型不再是平均地看所有信息，而是能夠在關鍵時刻把注意力集中在最重要的細節上。

其直接結果是在高干擾環境下模型依然能夠保持穩定的目標識別與對齊能力，為毫米級精度的操作提供可靠的感知基礎。這類能力，決定了機器人能否從看得見邁向看得準，也是其在開鎖任務中實現更快、更穩定執行的關鍵因素之一。

最后是異步高頻推理與短時域規劃。在具身智能任務中，機器人的反應速度往往直接決定任務能否成功。然而，現實環境處于動態變化之中：物體的位置會發生偏移、形態會發生改變，一旦動作執行與環境狀態脫節，誤差就會快速累積，最終導致任務失敗。

但在傳統 VLA 模型中，控制策略通常以固定頻率生成一段較長的運動軌跡（往往超過 1 秒）。在這段軌跡執行過程中，模型無法根據環境變化進行及時調整，這意味著一旦出現偏差，只能等到下一次規劃時再修正，導致反應滯后。

針對這一問題，星動紀元引入了異步推理與短時域規劃機制：在當前軌跡尚未執行完成時，就同步預測下一段軌跡，一旦新軌跡生成，系統便立即切換執行。這樣一來，模型的決策頻率被顯著提升。

機器人的某個關節先沿著第一段軌跡（Chunk 1）運動，當到達第二段軌跡（Chunk 2）出現的時刻（圖中的豎線位置）時，便切換為沿第二段軌跡繼續運動；隨后再在第三段軌跡（Chunk 3）出現時進行切換，如此循環。來源：https://generalrobots.substack.com/p/robotera-snatches-silver-in-sock

這樣一來，機器人能夠以更高頻率持續修正動作，對突發擾動（如襪子形態變化）做出更及時響應，從而有效抑制誤差累積，顯著提升任務的成功率與整體穩定性。

也正是在上述模型能力的支撐下，星動紀元的 VLA 具身模型在柔性物體操作、雙手協作、工具使用以及長程復雜任務等關鍵能力上實現了同步提升。

這些能力單拎出來都不罕見，難的是在一套模型里同時跑通、同時穩定。這也是為什么 Benjie's Olympics 任務極具挑戰，而星動紀元卻能連拿三項第一的原因。

能在這樣的賽場上三項登頂，宣告了星動紀元在解決具身智能核心難題上，已經摸索出了一套比國際頂尖同行更有效的方法論。

星動紀元憑技術創新，引領具身大腦全球研究范式

其實，星動紀元早已在全球具身智能的研究范式上確立了引領地位。

今年 2 月，星動紀元創始人陳建宇團隊與斯坦福大學 Chelsea Finn 團隊（她正是前紀錄保持者 PI 的創始人）聯合發布了 Ctrl-World 可控生成世界模型。

該模型在世界模型權威評測 World Arena 榜單上一舉擊敗谷歌、英偉達等頂尖模型，在主體一致性、軌跡精度、深度準確性、策略評估一致性四大核心維度上全部登頂，拿下了具身任務能力全球第一。

在具身模型技術引領上，星動紀元更是屢次創下行業第一：

• 他們是全球首個提出分頻 VLA 架構的團隊（2024 年 9 月推出 HiRT 快慢分層架構），早于 PI、Figure、谷歌、英偉達等巨頭和明星公司。
• 他們打造了全球首個融合世界模型的具身大腦。2024 年 12 月，星動紀元發布融合世界模型的 VLA 算法框架 VPP（Video Prediction Policy，現已開源），將具身智能的可用數據擴展到了海量互聯網視頻數據，機器人可以實現邊想邊做。
• 其研發的 ERA-42 模型，是全球僅有的四個實現了全尺寸人形機器人全身及五指靈巧手精準控制的標桿之一（其余三家為 Figure Helix、特斯拉 Grok 及英偉達 GR00T）。

目前，星動紀元的具身大腦 ERA-42 已真正在物流（分揀及掃碼）、制造（零部件抓取、高精度裝配、質量檢測）以及商業服務等真實場景中落地，部分場景中的效率已經達到了 70%～80%。

星動紀元真干活機器人成為中關村論壇關注焦點。

長久以來，具身智能技術的話語權和最驚艷的 demo 往往掌握在硅谷巨頭手中。但星動紀元一次又一次地用實戰結果證明，機器人技術比拼的不是 demo，而是誰的底層架構更扎實、誰在真實環境的泛化能力更強。

在這個決定產業未來的戰場上，國內公司正在引領前沿風向。