机器人基础模型总是用微调后的数字来展示性能。Wall-OSS-0.5 正在尝试一种不同的方法

大多数机器人基础模型的演示都难以解读，因为那些令人印象深刻的数据通常来自任务特定的微调。Wall-OSS-0.5 是 X Square Robot 新发布的开源 VLA 模型，其有趣之处在于报告试图测量预训练检查点在额外适应步骤之前的能力。该模型是一个 4B 参数的视觉-语言-动作模型，基于 3B 的 VLM 骨干网络加上动作生成组件。根据报告，预训练检查点在一个包含 17 个任务的真实机器人测试集上进行了评估，没有进行任务特定的微调。四个任务的任务进度超过了 80：积木分类、水果分类、叠环，以及一个保留的可变形任务——绳索紧固。比起原始分数，更重要的部分在于框架本身。在语言模型中，没有人会只接受一个经过微调的下游分数作为预训练有效的证据。而对于机器人，这要困难得多，因为评估是物理的、缓慢的、依赖于具体实体的，并且昂贵。一个真实机器人零样本测试集是直接提出同样问题的一个有用步骤：预训练本身是否就能产生可执行的行为，还是说它主要提供了一个更好的初始化？该方法也在尝试解决一个特定的训练问题。连续动作损失对执行有用，但论文认为它们本身无法向 VLM 骨干网络传递足够强的学习信号。他们的方案将动作标记交叉熵、多模态交叉熵和流匹配结合在一个阶段中，利用离散动作标记路径作为进入骨干网络的梯度桥梁，同时在部署时用流匹配处理连续动作。参考信息：代码在 [https://github.com/X-Square-Robot/wall-x](https://github.com/X-Square-Robot/wall-x)，论文在 [https://x2robot.com/api/files/file/wall\_oss\_05.pdf](https://x2robot.com/api/files/file/wall_oss_05.pdf)，项目页面在 [https://x2robot.com/oss#resources](https://x2robot.com/oss#resources)，Hugging Face 组织在 [https://huggingface.co/x-square-robot](https://huggingface.co/x-square-robot)。需要注意但也很重要的一点是，零样本仍然无法解决最困难的操控任务。报告提到，毛巾折叠、摆桌和充电器插入在微调前的表现仍然很低，这大概是一个值得关注的边界。尽管如此，看到一个机器人模型发布时以微调前真实硬件数据作为亮点，感觉比另一个干净的一分钟演示对具身 AI 来说是一个更健康的方向。开放的问题是：这是否是评估机器人基础模型的正确方法？还是说真实机器人零样本测试集仍然过于依赖具体实体，难以成为有用的标准？