北京人形开源慧思开物Robo-ValueRL，具身智能终于学会「甄别数据优劣」了

Robo-ValueRL 赋能机器人甄辨数据，突破具身智能学习瓶颈。

编辑丨李希

7月9日，北京人形机器人创新中心（以下简称北京人形）的慧思开物平台技能库重磅更新了，北京人形本次是联合中国人民大学高瓴人工智能学院，正式开源了Robo-ValueRL。 这不是一次普通的开源，而是具身智能领域一次相当关键的"认知升级"——机器人终于不再对所有数据照单全收，而是学会了"甄别数据优劣"。

01

行业困局：机器人还在"被动学习"

说实话，当前具身智能赛道有一个很尴尬的现实：大多数模型本质上还在做"复读机"。

人工遥操作采集的轨迹里，优质动作、犹豫动作、纠偏动作、失败动作、无效操作混杂在一起。模型没有能力区分这些片段的价值，只能全盘接收、混同训练。结果是数据量堆上去了，但精度和稳定性却卡在天花板，甚至越练越弱——学新忘旧，陷入典型的灾难性遗忘。

更关键的是，这种"来者不拒"的训练模式，直接限制了机器人的应用场景。目前行业落地大多集中在大件搬运、粗粒度放置这类低精度场景，半导体精密装配、3C制造等高价值工业场景始终打不开。

这不是技术选型的问题，而是底层范式的瓶颈。

02

Robo-ValueRL的核心解法：

给机器人装一个"价值雷达"

这次开源的Robo-ValueRL，本质上是在传统VLA（Vision-Language-Action）框架里，塞进了一个价值估计器。

这个价值估计器的作用，相当于给机器人装了一个"质量雷达"——它能基于历史观测信息，对轨迹数据进行质量判定，筛选高价值样本，把低质量干扰数据挡在训练门外。

具体来说，它解决了三个真实场景痛点：

• 视觉遮挡：单帧画面被遮挡时，历史信息能补全判断

• 观测歧义：重复纹理、相似场景下，历史轨迹提供上下文

• 任务状态重复：避免在循环状态中误判进展

从实验数据看，这个价值估计器对任务进展和动作质量具备双重感知：任务平稳推进时价值曲线整体上升；一旦出现失误或偏差，价值估计会立即捕捉下降信号，辅助定位错误节点。

一句话：机器人终于知道哪些经验值得学，哪些该扔掉。

03

技术架构：冻结主干+残差微调，

破解"进化悖论"

在线迭代中的灾难性遗忘，是具身智能长期面临的"进化悖论"——模型在新场景上微调时，会全局更新权重，前期习得的精密操作技能被覆盖，越迭代越退步。

Robo-ValueRL的应对策略很务实：冻结预训练主干，用轻量残差适配器做增量微调。

这意味着模型保留了预训练阶段的核心通用能力，只针对具体失败模式学习修正策略。配合人在回路的数据采集机制，模型可以在真实环境中持续交互、筛选高质量样本、精准微调，实现"学新尽量不丢旧、越练越稳"。

04

落地数据：从46%到86%，

这不是简单的数字跳涨

官方披露了仅训练6天的真机验证数据：

场景

初始成功率

迭代后成功率

毫米级芯片精密插装

46%

86%

长时序积木拆解

60%

84%

横向对比Dagger等主流算法，Robo-ValueRL在双任务中均取得更优表现。更值得关注的是效率维度：人类遥操作完成单次芯片插入通常需要2-3次尝试，而搭载该框架的机器人可一次完成毫米级精密插入，作业效率达到人类操作员的1.5倍。

从46%到86%，从60%到84%，这组数据的真正意义不在于涨幅本身，而在于它标志着人形机器人从"被动模仿"向"价值引导学习"的范式转变。

05

全栈开源：不只是放代码，

而是放一套可复现的技术栈

这次开源的诚意值得关注——论文、代码、数据、模型同步开放。

区别于行业内常见的"只放演示视频"或"部分结果开源"，Robo-ValueRL提供的是一套完整的离线预训练+在线自适应微调全链路VLA强化学习技术栈。研究社区可以系统分析价值估计在机器人学习中的作用，产业研发团队也能基于真实数据和模型工具，进一步探索高精度操作在半导体、3C制造等场景的应用。

06

一点观察

具身智能赛道今年明显在加速，但"加速"不等于"成熟"。Robo-ValueRL的价值在于，它瞄准了一个被长期忽视但至关重要的环节——数据质量评估与在线持续进化。

在工业落地层面，精度、稳定性、可迭代性缺一不可。价值估计器的引入，让机器人具备了"自我甄别"能力；冻结主干+残差微调的架构设计，则保证了这种能力可以持续进化而不退化。

当然，86%的成功率距离工业级"零缺陷"标准仍有距离，长时序任务的泛化能力也需要更多场景验证。但至少，具身智能已经迈出了从"粗放模仿"到"精细化学习"的关键一步。

未经「AI科技评论」授权，严禁以任何方式在网页、论坛、社区进行转载！

公众号转载请先在「AI科技评论」后台留言取得授权，转载时需标注来源并插入本公众号名片。