用冠冕重塑规则：千寻智能开源Spirit v1.5，告别追随者叙事

作者：吕鑫燚 出品：具身研习社

具身智能大模型的排位发生了关键转移。

近日，具身智能大模型全球首个大规模多任务的真机基准测试平台RoboChallenge榜单发生新变化，千寻智能自研VLA基础模型Spiritv1.5以66.09分，超50%的成功率超越pi0.5，夺得第一。且在RoboChallenge的Table30榜单上均位列第一。

为了证明榜单成绩来自自研模型且真实有效，Spirit v1.5同步开源了基模权重、推理代码以及使用样例，接受公众检验，也方便社区在Spiritv1.5的基础上创新。

在统一基准线下和pi0.5正面对标，千寻的成绩已经远超于“分数价值”。其不仅标志着具身大模型的驱动下，具身智能机器人在任务操作成功率上取得真实突破，更有力地解决了年初萦绕在产业内的焦虑：具身大脑“国内缺位”的结论，已经成为过去式。

作为具身智能大模型不可忽视的玩家之一，千寻智能的技术迭代与生态布局始终精准发力：从Spiritv1率先突破柔性物体处理难题，攻克复杂长序列任务，实现从叠衣服到办公室整理的场景落地；到Spiritv1.5升级强大跨任务、跨本体泛化能力，适配真实场景的连续任务执行，同时达成操作目标与结果的稳定精确控制；再到通过开源释放技术红利，降低开发者复现与落地门槛，助力产业生态繁荣。

这套“技术突破+开源共享”的组合拳，迅速引发海外知名人士高度关注。英伟达具身智能负责人Jim Fan（范麟熙）主动点赞、Hugging Face官方发文祝贺，多位海外行业大V纷纷转发。

更为关键的是，千寻智能的模型能力并非是“视频仅供参考”，而是已经过真实场景中的严苛审视，能成为真正的生产力。前不久，宁德时代官宣千寻智能的moz1已经成为生产线一员，在电池生产线上完成相应的工作。

可见，千寻智能在“基础模型”侧的投入，不是在秀“花架子”，而是始终回答外界对于具身智能的灵魂拷问：什么时候才能成为生产力？

而这个答案就藏在千寻智能的蜕变路径中。

RoboChallenge榜单由Dexmal原力灵机、Hugging Face等全球知名机构联合发起。通过全方位还原真实场景的统一测试，检验模型处理真实工作任务的能力。这有点像马拉松之于本体结构设计的极限测验，RoboChallenge也在一定程度上解决了具身模型难有对比基准线的困境，更直观地让外界感受各家模型的真实应用能力。

RoboChallenge榜单除了总分之外，还有30个桌面操作任务的Table30，通过单臂、双臂的操作表现，多维度考察VLA的实际应用能力。例如长序列复杂任务的完成情况，以及新任务在多构型的迁移效率。

由此可见，这是一个具身模型“拉出来溜溜”的平台，成绩也不是千寻智能的“自说自话”，而是真的在模型能力上超过了最强（过去式）模型Pi0.5。

从桌面插花、清理等任务表现来看，Spirit v1.5都能从容应对精细化操作，也没有出现失误导致的宕机情况。（pi0.5抓取纸盒失败后，不再执行任务，而是转去和纸盒“玩”）

尤其是在桌面清理任务上，该任务的桌面随意摆放着不同尺寸、不同形状、不同材质的极易形变操作物体。透明的塑料瓶、碗碟、乱糟糟的纸巾每一项单独抓取放置都是对模型的较高难度考验，而Spirit v1.5并没有被眼前的阵仗打败，依旧有条不紊地将桌面垃圾分别收纳进垃圾桶或桌面上的整理箱中，还不忘贴心的和人类习惯一样，把小碗叠起来放置。

Spirit v1.5执行桌面清洁

从双臂协同执行来看，这是目前模型能力难度较高的操作，虽然实验室场景下的固定任务规划（如预设轨迹的组装）容易实现，但真实场景中物体的摆放位置、形状、材质存在不确定性，模型很难泛化出通用的协同策略。此外，连续任务中的子任务衔接（如从“抓取物体” 到“放置物体”的过渡）也容易动作中断或卡顿。

受限于“感知-决策-执行”全链路的高精度协同门槛，双臂协同类任务是评测榜单最难攻克的赛道。在物品整理任务中，Spirit v1.5做到了一边固定透明塑料盒的位置，另一边掀开盖子，再将盒子中的薯条倒进盘子中。（Pi0.5止步于拆盖环节）

Spirit v1.5执行桌面清洁

最考验极限操作的贴胶带任务中，由于操作空间非常狭小，且对双臂协同和触觉感知反馈要求高，经常出现难以完成的状况。但Spirit v1.5依旧能完成撕胶、贴盒的双机械臂精准配合全流程任务。

透过具体执行任务来看，Spirit v1.5在RoboChallenge榜单上的亮眼表现，标志着具身智能模型已实现从“实验室演示”到“真实场景可用”的关键突破。

其在多任务、多场景下的稳定执行，证明千寻智能的模型技术成果并非依赖“温室环境”的纸面实力，而是具备在办公室整理、仓储分拣、电子组装等多场景落地的潜力。

Spiritv1.5是已经在多个现实场景中验证过的，千寻智能Spiritv1基础上进化而来的“新面孔”。

其创新性意义在于以“做有用的事”为核心原则，走出一条全新范式。将聚光灯阴影下的“非干净数据”推到台前，摒弃绝大多数入局者保证数据“干净”的原则，杜绝“脚本式”数据采集。（技术博客见文末)

听起来很抽象，但却是一个值得深思的范式。

首先，千寻智能认为“干净数据是打造卓越具身基础模型的敌人”。诚然，将绝对干净、任务流程操作、客观环境、操作物体摆放位置都十分完美的数据拿来训练模型，是模型操作能力稳定性的前置因素。但真实世界的魅力和难点正在于一切都不可预设，无论是光线还是操作物体都存在巨大不可控因。

例如，干净数据天然受制于多样性和可扩展性。高度标准化的数据采集模式下，根据脚本走的数据采集员只能遵循既定指令。通过一个具象化案例可更直观的感受到，在“擦桌子”任务中，这类数据集只会机械收录标准化的擦桌动作与桌面场景，与桌面关联任务完全割裂，最终形成的是一个个彼此孤立的经验孤岛，而非能够映射真实生活的连续经验流形。自然无法捕捉现实场景的丰富性与复杂性。从可扩展性瓶颈来看，每一个新场景、新任务的数据集构建，都需要工程师团队从零开始设计任务流程、撰写详尽的采集指南，还要投入大量精力进行数据筛选与质量校验。

可见，吃惯了“细糠数据”的模型，难免在真实世界中出现“有心无力”的操作。

这正是Spiritv1.5突破的关键点，其选择充满随机因素的数据训练，在数据采集阶段就开始规避指令式操作，在目标任务之下，由数据采集员自行决定子任务的流程。其带来的结果是机器人体验现实生活中的一天，而不是高度脚本化的演示片段。

于是，这便不仅是单一动作的重复，而是记录了技能的连续流，机器人不再是孤立地学习如何执行特定动作，而是学习整套技能及其连接方式，使模型知识更加通用。（有点像会认字和会写作文的区别）此外多样化数据采集让提高了数据采集员的参与度，有效提升了效率。数据显示，人均有效采集时长增加了200%，并将对算法专家的干预需求削减了60%。

从结果来看，使用多样化采集训练的模型（B组）在微调阶段的表现优于演示驱动采集（A组）的模型；多样化模型达到相同性能所需的迭代次数比基线模型少了40%。

多样化的数据采集还带来了Scaling的涌现，除了比较数据类型外，千寻智能还研究了当扩大多样化经验的规模时模型的反应。结果显示迁移效率随多样化数据量的增加呈正相关。随着数据集的增长，模型在新任务上的验证误差持续下降。

总结来说，模型实际工作的结果表明，任务多样性比单任务的演示数量更为关键。

毕竟，多样化的数据喂养出来的模型，不再是动作而是通用策略，可以用更少的步骤适应新任务。这是一种范式转变，也让我们看到了具身智能成为生产力的充分必要条件，或许不仅仅是技术本身的突破，还有研发团队的思考转移。

模型侧推陈出新是千寻智能企业顶层设计的外显。

透过千寻智能在模型侧的进展可见，其似乎有意再走一条深度挖掘模型能力价值的发展道路。

看起来和千寻智能最开始提出的“全栈自研”有些偏颇，硬件能力好像被模型的光环掩盖。

但实际上，具身智能的本质是AI驱动，硬件服务于软件模型。通过产业本质来看，千寻智能的今天并非是软硬“二选一”，而是选择一种更聪明的方式，从结果导向倒推资源配置。

毕竟真正落地要的是聪明。

而这条路线也将成为千寻智能完成愿景的重要路径：十年内让10%的人拥有自己的机器人。

时至今日，这句愿景仍高频出现在千寻智能官方公众号、产业交流论坛、媒体采访等对外发声中。千寻智能从未因行业周期波动或技术攻坚难度而动摇。这份对未来的笃定，看似是对具身智能产业发展的乐观预判，实则并非单纯的行业乐观，而是植根于团队底层基因与“非经验主义”发展路径的必然结论。

这份“非经验主义”的内核为，千寻智能并没有单纯套用以往的“成功经验”。其创始人兼CEO韩峰涛曾为珞石机器人联合创始人&CTO，曾带领团队成功交付数十款型号产品超20000台，具备极强的产品工程化能力，也是具身智能产业中为数不多迈过量产关经验的领先者。

按照韩峰涛的履历，千寻智能应该会比现在走得步子更急。但千寻智能并没有盲目扩大规模，而是深入场景腹地，啃下最难的骨头，把机器人送上了宁德时代的生产线。

千寻智能联合创始人高阳也具备极强的模型能力，但其也并没有躺在“功劳簿”上，而是持续创新。

简单来说，千寻智能是遵从具身智能产业本身的发展逻辑行事，其每一步都非常扎实。不被过往经验束缚，不被浮躁裹挟，以模型为核心引擎，以硬件为落地载体，以真实场景为试金石，在工业级应用中打磨技术，在评测中验证实力，让模型能力有用武之地，也让硬件价值得到精准释放，最终形成“模型引领方向、硬件支撑落地”的正向循环。

而这，正是千寻智能能够在激烈的行业竞争中脱颖而出，并且有底气朝着“让10%的人拥有自己的机器人”愿景稳步迈进的核心原因。用扎实的技术落地，一点点拉近机器人走进大众生活的距离。

技术博客：

https://www.spirit-ai.com/en/blog/spirit-v1-5