具身智能的军备竞赛，胜负手在工程生态

一条策略在仿真里刷到 95% 的成功率，上了真机可能连一摞毛巾都叠不利索。中间差的往往不是模型能力，而是一整套让模型真正跑起来的工程。10 月 22 日，逐际动力更新了他们的开源工程底座，技术报告把这道鸿沟拆开给全行业看了一遍。

一、发生了什么

据雷峰网报道，这家机器人公司当天完成了 FluxVLA Engine 工程底座的一次重要更新，随后公开技术报告。它不是又一款抢性能排名的模型，而是把数据、训练、评测、推理和真机部署串成一条线的工程框架。几种架构差异很大的策略模型，自回归的、流匹配的，已经能在同一套流程里跑评测；不开放权重的闭源模型也能以纯 API 方式接进来测，最新一个接入者是在报告发布两天后才加上去的。在很多人形机器人拿来当机载大脑的边缘芯片上，推理优化让两条主流路线的出招频率提升了两到三倍，而且动作输出几乎没变。接入在线强化学习后，一个小模型在两个基准上的成功率分别涨了 10 个和 15 个多百分点。真机侧，同一套部署路径覆盖了双臂平台、自家全尺寸人形机器人等四种形态。

二、跟你有什么关系

做具身模型的。 换模型不用重搭一遍数据管线和评测代码，今天为一个模型整理的数据集，明天换个模型照样能用，工程积累不再随技术路线切换而清零。

做部署的。 推理太慢、时序错位、动作超限这三道坎被拆成了可以分别定位、分别处理的环节，每一步都有实测数据可参考，不用自己从零踩坑。

买机器人或投资这条赛道的。 判断一家公司靠不靠谱，别只看演示视频，看它有没有一套能持续验证模型能力边界的评测体系。

三、怎么用

1. 先读代码仓库里的组件注册设计，想清楚自己的模型和数据怎么接进去，再动手，别急着复现论文数字。
2. 把桌面级短任务和更接近真实居家的任务分开测。报告里同一批策略在前者平均成功率能过 95%，换到后者就掉到个位数到五成多——高分不等于能用。
3. 把真机失败案例回流训练当成固定流程。叠毛巾那个案例很说明问题：照搬人类示教只有 62% 出头的成功率，先训一个会打分的奖励模型再重训策略，成功率冲到 99% 以上。

四、三个别信的说法

「模型榜单排名高就能干活」。 排名是统一基准上算的，真机要过长程任务这一关。人形机器人四阶段搬箱子的实验里，两个模型前三段完成率几乎一样，全程完成率却是 6.7% 对 33% 的差距——长程成功率是乘法不是加法，前面的微小偏差会被逐级放大。

「开源了就等于有生态了」。 开放代码只是起点，真正的生态要靠外部团队持续使用、贡献适配、反馈问题。把自家一线经验做成开放底座是难得的姿态，但成熟与否要看后续。

「上了在线强化学习机器人就会自己变强」。 它只是提供了一条让真实交互经验回流模型的路径，效果取决于奖励设计和任务条件。同一组实验里，231 个失败案例转为成功的同时，也有 77 个原本成功的案例出现退步。

五、一句话结论

军无辎重则亡：模型是火力，工程底座是补给线，战线拉得越长，后者越值钱。

信息来源

• 雷峰网：具身智能军备竞赛，胜负手在工程生态，2026 年 10 月 28 日

功能与价格以官方公告为准。本文写于 2026 年 10 月 28 日。