零真机数据训出的机器人模型，跑赢了 VLA

训机器人还要买真机、摆真场景？一篇新论文给出了另一条路：预训练模型负责「看懂要干什么」，仿真环境负责「练会怎么动」，全程没有一条真机数据，真机成功率却到了 96.7%。

一、发生了什么

论文提出的方法叫 ZAP。它的配方分三步：先取一个 270 亿参数的现成视觉语言模型，借它的世界理解能力打底；再在简单的仿真任务上做监督微调和强化学习（GRPO），教会它控制机器人；最后通过一个简单的工具调用框架把模型接到机器人身上。

论文用「预训练知道是什么，仿真教会怎么做」概括分工。关键数字有这几个：真机任务成功率 96.7%；同样的调用框架下，与 GPT-6 Astra 打平，而运行速度是它的 3 倍、成本约 17 分之一；对比另一个 VLA 模型 MolmoAct2 的 33.3%，优势明显。

组合泛化是另一项展示：把试管插进架子（还能按提示换孔位）、双臂空中交接试管、在井字棋盘上画 X、下国际象棋——这些目标和操作方式都不在训练数据里。模型还能迁移到没见过的本体：换到单臂 Franka 上，在一个 120 项任务的评测集里拿到 55.9%，比领先的 VLA/WAM 基线高 4.9 个百分点。

二、跟你有什么关系

做 VLA 的研究团队：这条结果表明，模型底座的世界理解能力和仿真里的操作练习可以分开补课，不必把宝全押在昂贵的真机数据上；小模型加好框架未必输给更大的端到端模型。

做机器人的工程师：换本体不用重训。论文里模型直接迁到没见过的机械臂上还能超过基线，说明「大脑」和「身体」解耦的架构在跨机型时省事得多。

做具身落地的公司：成本账很直观——推理快 3 倍、便宜约 17 倍，意味着同样的硬件预算能跑更多并发任务，落地时的算力门槛更低。

三、怎么判断这条路线

1. 盘点自家任务能否在仿真里定义清楚成功条件，能定义的优先走「仿真练操作」路线。
2. 评估现成视觉语言模型的世界理解能力，它承担了「知道要什么」的一半工作，底座太弱整条路线不成立。
3. 别急着否定真机数据，论文的场景集中在桌面级操作，涉及复杂动力学和长程任务时仍需真机验证。

四、三个别信的说法

「没有真机数据就是不行。」 论文的真机成功率 96.7% 直接反例。但要说清楚：这里的「知道」来自预训练、「会做」来自仿真，两者都有大规模数据托底，只是不需要现场采。

「VLA 已经过时了。」 对比模型也是 VLA，只是被同样的框架拖了后腿。这条路线更大的启示是框架和底座分工，而不是某个模型类型输了。

「96.7% 意味着可以直接商用。」 论文展示的是特定任务集上的结果，井字棋和试管交接离工厂产线还有距离，场景普适性要自己验证。

五、一句话结论

机器人学习正在从「数据堆出来的」走向「分工拼出来的」：看得懂交给预训练，做得动交给仿真，真机只做最后一关验收。

信息来源

• arXiv 论文页：Pretraining Knows What, Simulation Teaches How（2026-10-26）

功能与价格以官方公告为准。本文写于 2026 年 10 月 28 日。