三五条样本击败英伟达,国内首个超少样本具身模型,还斩获顶会冠军
最近具身智能圈出了个实打实的大新闻，中科第五纪这家公司，直接发布了国内首个少样本通用具身操作基础模型，名叫FAM-1。更厉害的是，他们靠这个模型拿了CVPR2025具身操作竞赛的冠军，国内外不少对手都被他们比了下去。
说实话，具身智能这领域，之前一直被一个问题卡得死死的，那就是数据太少。
跟自然语言、视觉领域比，机器人在真实世界里操作，要面对各种复杂的物理交互，环境还老变，一会儿光照不一样，一会儿背景又换了。
想攒点能用的数据，又贵又慢，市面上能有几十万甚至百万条物理交互数据的数据集，真没几个。
本来想指望现有的视觉-语言-动作（VLA）模型救场，后来发现这些模型虽然能理解点语义，但真要动手操作，还得靠大量标注数据撑着，不然换个场景就不行了，泛化能力根本跟不上。
就在大家愁这数据问题咋解决的时候，FAM-1的出现，算是给这个领域开了个新口子。
FAM-1咋破局？先从架构和模块下功夫FAM-1能突破数据困局，核心靠的是一个叫BridgeVLA的架构。
这架构不是凭空想出来的，是从中科第五纪团队一篇入选NeurIPS2025的论文里来的，论文名字就叫《
BridgeVLA:BridgingtheGapbetweenLargeVision-LanguageModeland3DRoboticManipulation》。
老实讲，这架构跟传统VLA比，有俩特别实在的创新点，不光在国际上几个公开的评测数据集里拿了最好成绩，就算在真实场景里只有少量标注数据，也能应对不同光照、不同场景的操作，这点比很多老模型强多了。
FAM-1本身有两个核心模块，少了哪个都不行，先说知识驱动的预训练（KP），现在很多具身模型，都是用非操作数据预训练的VLM，比如拿些普通图片视频练手。
这样一来，模型跟实际操作场景的差异就大了，根本发挥不出VLM该有的泛化潜力。
中科第五纪就不一样，他们从网上找了海量操作场景的图像视频，专门建了个操作知识库，再对VLM做二次预训练。
这么做就是为了引导模型挖出里面的操作知识，还能让模型预测机械臂的关键点位置和运动轨迹，慢慢就适应操作场景了，不会再像以前那样“纸上谈兵”。
再说说三维少样本微调（FF），以前那些VLM+VLA架构，总喜欢把三维视觉信息压成一维向量，再用这个向量去预测三维动作，看着像个沙漏。
可这么一压，中间丢了好多三维结构信息，最后只能靠大量标注数据硬拟合，成本高得吓人。
中科第五纪倒好，直接把VLM和VLA的输出、输入都升成了三维热力图。
这么改之后，模型微调的时候既能用上完整的三维空间信息，又不用依赖那么多样本，思路是真挺巧的，算是把以前的“瓶颈”给绕开了。
架构和模块捋清楚了，接下来就得看这模型实际用起来到底行不行，毕竟再厉害的技术，不能落地也是白搭，FAM-1在国际基准和真机上的表现，倒是没让人失望。
实测咋样？国际基准和真机都能打先看国际基准测试，FAM-1选的是RLBench、Colosseum这些行业里公认的基准，对手都是微软、MIT、斯坦福这些顶尖团队的模型。
结果一出来，FAM-1的优势还挺明显，就说RLBench吧，它的操作成功率比RVT-2、Act3D这些当前最好的模型还高不少，像“插钉子”“开抽屉”“分类形状”这些常见任务，成功率提升得更突出。
以前总觉得国外团队在这方面领先，现在看咱们国内的模型也能追上，甚至超过，这点确实挺提气的。
真机测试就更关键了，毕竟实验室数据再好，到了真实机器上不好使也没用。
中科第五纪把FAM-1装到真机上，跟英伟达的RVT-2、PI0，还有上海AILab的SpatialVLA这些先进模型比了比。
让人惊喜的是，FAM-1每个基础任务只需要3-5条样本，成功率就能到97%，比其他模型高了一大截。
就算是遇到有干扰物体、复杂光照、不同背景的挑战任务，它也比对比模型领先不少。
很显然，这在工业场景里太有用了，工业上对机器人操作成功率要求本来就高，比如3C产品组装，差一点就可能弄坏零件，FAM-1这成绩已经快够到产业化的门槛了，稍微优化下就能用。
模型能打还不够，长远发展才是关键，中科第五纪在这方面也早有规划。
他们说未来会深耕三个方向，都是冲着打造工业级通用具身智能体系去的，比如优化模型在复杂工业场景的适配性，降低模型部署的硬件成本，还有拓展多机器人协同操作的能力。
而且他们还有个意外收获，团队一篇叫《
EC-Flow:EnablingVersatileRoboticManipulationfromAction-UnlabeledVideosviaEmbodiment-CentricFlow》的论文，已经被ICCV2025接收了。
这篇论文厉害在哪？它能让机器人从没有标注的人类操作视频里，自己学操控策略。
说实话，这要是落地了，机器人学操作就方便多了，不用人费劲吧啦地标注数据，说不定能把工业机器人的部署周期从三五个月缩短到一两周，成本也能降不少。
FAM-1作为国内首个少样本通用具身操作基础模型，算是把具身智能的“数据桎梏”给实实在在打破了。
不管是BridgeVLA的架构创新，还是KP、FF两个模块的设计，再到国际基准和真机测试的成绩，都能看出国内在这领域的技术，已经跟得上全球前沿了。
以前总觉得机器人要走进工厂、走进日常生活还很遥远，现在有了FAM-1这样的模型，再加上未来EC-Flow这些技术的发展，说不定用不了多久，咱们就能看到更多机器人在生产线、家里帮上忙，到时候智能化操作可能就不是什么新鲜事了。
页:
[1]