几亿美金砸出来的硅谷大模型，被一台相机干翻了！

新智元报道

数亿美金，竟输给了一台相机？

一边，是硅谷明星机器人初创Physical Intelligence，用数亿美金算力砸出来的明星大模型π0.5。另一边，是一家中国公司，加一台随手能买到的运动相机。

7月15日，银河通用发布WAM-TTT，全球首个面向具身智能大模型的测试时后训练框架。

随框架一起公布的跨环境实测里，双方正式pk，结果令人意外——

光照一变、物体一换、背景一乱，π0.5的平均成功率直接砍半，而WAM-TTT泛化保持率为76%！

想象机器人进家的第一天：你家的马克杯它没见过，厨房灯也偏暖，台面还比它训练时高5厘米。看起来只是这一点细微的差别，但足以让一台千锤百炼的机器人当场卡壳。

对比更鲜明的，是成本。

π0.5落地的成本，高得不可思议：要让机器人走进1000万个家庭，难道得先派1000万个工程师住进去，手把手教它认马克杯？

显然，这根本无法落地。

而WAM-TTT则不同，它可以随时适应一个新场景：只要有人戴上远动相机、或举起手机，随手拍一段自己干活的第一视角视频，机器人看完，就能直接上岗！

不用遥操设备，不用动作标注，也不用停工数天重训。

从此，具身智能从成本极高的遥操式学习，进化为通过视频，一看就能学会。

这个颠覆性的框架，让银河通用让全世界宣告：机器人大规模进入家庭与工厂的商业化临界点，已经真正到来！

训练时精通，部署时不通

在AI领域，Scaling Law通过海量参数与数据驱动能力跃升，已被反复验证。但在具身智能中，这条法则到了后训练阶段，却要直面更复杂的现实考验。

后训练的核心任务，是把模型在模拟试验场里习得的技能，迁移到真实的部署环境中。然而，光照的明暗、物体的纹理与尺寸、桌面高出或低了几厘米……

任何微小的现实差异，都可能让性能显著下降。原因并非技能未被掌握，而是所掌握的技能与特定场景特征过度绑定，难以适应现实场景的无穷变化。

这便是当下具身智能最核心的痛点：训练时精通，部署时不通。

模型学好了技能，却认不出红色的塑料箱，适应不了偏暗的灯光，也跨不过那高出的5厘米。明明会抓，就是抓不到没见过的箱子。

跨环境实测中，以人类视频为上下文的基线方法，性能保留率仅剩14.7%，几乎等于归零；而WAM-TTT则把这一数字拉到了75.6%，压倒性胜出。

传统解法笨拙且昂贵：派工程师扛着VR头显和遥控臂，重新录制轨迹，再花数天重训模型。如此高成本、长周期的流程，机器人最后的泛化性却不尽如人意，成为判机器人规模化部署的瓶颈。

7月15日发布的WAM-TTT，正是银河星脑（AstraBrain）体系下，专门面向规模化部署推出的后训练技术，也是团队对世界-动作模型（WAM）的一次颠覆性创造。

它不需要复杂昂贵的数据采集，不需要动辄数十小时的遥操训练，不需要标注数据。

三大核心突破：

改写具身智能的部署账本

传统的大模型往往只强调「预训练」有多强，却对部署阶段的灾难性表现避而不谈。

而WAM-TTT之所以能被称为新范式，是因为它在测试部署阶段（Test-Time），实现了三大史无前例的底层突破：

数据采集：部署只需人类数据

过去，你要让机器人适应新环境，就必须喂给它「机器人轨迹数据」。这就要求专业操作员像控制提线木偶一样操控机器人，记录下每一个关节的角度、扭矩，成本极其高昂。

而有了WAM-TTT，秘密武器变成了一台普通的运动相机。

在部署阶段，客户只需要让人类走到新的工作台前，随手用相机录制一段人类自己完成该任务的第一视角视频即可。WAM-TTT的自监督视频预测技术，直接从这段人类玩耍的视频中提取特征。

100个新场景，不再需要100套昂贵的遥操设备和数周的停工采集，只需要100段几乎免费的视频。

另外，在控制总数据量恒定的消融实验中，银河通用给出了一个让所有从业者振奋的结论——

在相同的预算下，「100条机器人轨迹 + 100条廉价的人类视频」实现了74.1%的成功率，这与纯用「200条极其昂贵的机器人轨迹数据」（73.7%）性能完全持平！

这意味着，人类视频可以1:1等效替代昂贵的机器人遥操数据。

WAM-TTT用最干净、最直接的像素流，实现了真正的零标注成本。

数据类型：部署零动作标注

目前市面上即便有一些利用人类视频数据的模型，往往也需要痛苦的人工标注：标出视频里人类手部的三维关键点（甚至需要生成复杂的MANO手部网格），然后再把人的动作重定向到机械臂上。这不仅费时费力，还会累计误差。

而WAM-TTT对数据的要求低到了极致：纯视频输入，不用任何标签！

它将人类视频视为「无动作」（Action-free）的数据。机器人不需要人类告诉它关节的具体坐标，它只需要通过预测视频的下一帧（自监督视频端到端预测），自己去「悟」出任务的动态本质。

消融实验证明，强行加入人类手部动作的伪标签，反而会干扰模型对底层物理规律的理解。

模型层面：预训练参数不变，专用参数快学习

这是WAM-TTT在架构上惊艳的一笔。

面对新环境，传统的监督型微调（SFT）或上下文学习（ICL）方法，本质上是在强行修改机器人的「大脑」参数。

这面临着极高的「灾难性遗忘」风险：为了迎合新场景的光照和桌子高度，模型往往会「洗掉」预训练时积累的庞大通用常识，变成一个只会干特定活儿的傻瓜。

WAM-TTT创新性地引入了「大模型主干冻结 + 轻量内存模块后训练」 的全新范式。

在适应新场景时，WAM预训练的庞大模型参数被冻结（绝对保全了通用的物理常识和视觉推理能力）。所有的环境适应工作，仅仅去更新一个极轻量级的快速权重 。

相较于SFT，这种解耦方式不仅完美保留了预训练的通用泛化性，更实现了真正的零遗忘。

这为通用机器人的规模化部署奠定了最核心的技术基础：未来，机器人每到一个新工厂，只需要加载的「快权重记忆包」，就能瞬间化身熟练工，即插即用！

5倍碾压，

直面真实世界的残酷

考场先摆出来：论文公布的真实世界跨域评估，9项复杂任务，扰动全是机器人上岗后真实会撞上的：光照变了，物体换了，背景乱了。

文章开头已经讲过，对比非常鲜明。

数亿美金算力砸出来的π0.5，平均成功率跌到14.8%；而WAM-TTT是它的3.1倍。

9项任务8胜1负！

不过，比成功率更能说明问题的，是另一把尺子：泛化保持率。也就是技能从训练场带到新环境，还能剩下几成功力。

这把尺子量出来的差距，π0.5泛化保持率不足一半，只有47%，而WAM-TTT在测试中泛化保持率为76%。

很多人幻想，给机器人看几个示例视频，它就能像ChatGPT写文章一样照猫画虎。

测试结果却是一记响亮的耳光：在相同的环境扰动下，使用了ICL的基线模型WAM-ICL，成功率从标准环境的48.4%直接崩塌至7.1%，泛化保持率只剩14.7%。

同样的偏移面前，WAM-TTT的泛化保持率高达75.6%，是ICL的5倍多。

打个比方：训练场里练出10分功力，换个环境，ICL只剩1.5分，WAM-TTT还稳稳握着7.6分。

差距从哪来？

ICL是「应试型」学习，靠上下文与训练数据的表面相似，而现实世界，简单的上下文关联根本无法承载时空的物理因果，环境一变就露馅。

WAM-TTT是「理解型」学习，用快速权重吸收的是任务的本质动态结构，而不是死记硬背表面特征。

面对真实扰动，ICL一击即溃，而WAM-TTT凭借46.2%的成绩，打出了超5倍的降维打击！

这也是全球首次在真实机器人任务中系统证明：测试时训练在泛化性上，碾压上下文学习。

这证明了WAM-TTT不是在死记硬背表面特征，而是真正理解了任务的动态结构。

具身智能部署时的适应方案怎么选，行业第一次有了明确的路线指引。

不到两年的「三连跳」

开创技术路线，完成产业闭环

把时间轴拉长，我们会发现WAM-TTT的发布绝非偶然。

银河通用在不到两年的时间里，以惊人的速度，完成了具身智能技术与产业应用闭环的「三连跳」。

第一跳，在2025年。

银河通用首次在顶级会议ICCV发布WAM模型，全球首次打破壁垒。

彼时，整个赛道深陷VLA与世界模型的路线之争。

银河通用以破局者的姿态，提出WAM（世界-动作模型），将懂物理的世界模型与懂执行的动作模型在潜空间统一。

这一跳，他们打破了技术路线的次元壁，成为了标准的定义者。

2026年的第二跳，他们发布了AstraBrain WAM进阶成果，一举打开Scaling Law。

当同行还在消化WAM概念时，银河通用直接将理论工程化。

他们证明了WAM架构具有惊人的扩展性，实现了对互联网视频、人类示范、遥操数据甚至失败数据的统一有效利用。

这一跳，他们为具身智能找到了明确的「Scaling Law」，让大算力大数据的投入产出变得可量化。

今天的第三条，WAM-TTT补上了最后、也是最关键的一块拼图：发布后训练范式WAM-TTT，打通规模化应用闭环。

当然，这里需要说明： WAM-TTT的强大，并不是说机器人从此以后完全不需要训练了。

它的核心意义在于，在例如数采工厂里，机器人学会一项技能后，可以以极低的数据要求、极低的金钱和时间成本，完成对新场景的适应和部署。

它解决的，是具身大模型真正走向商业落地的最后一公里痛点，从此，彻底形成了WAM从技术研发到产业应用的完整闭环。

中国具身智能，站起来了

长期以来，在全球人形机器人和具身智能的竞技场上，尤其是对标Optimus时，国内舆论场中一直弥漫着一种论调：「中国企业底盘控制做得好、电机强，但只是『本体强』，我们在最核心的AI模型泛化能力上，『大脑弱』。」

中国企业在供应链和制造成本上有优势，但在最核心的大模型算法创新上，只能跟在硅谷巨头身后亦步亦趋？

但今天，银河通用用不到两年的三连跳，用高达3.1倍的碾压级数据，彻底粉碎了这一论调！

从提出WAM架构，到解锁Scaling Law，再到用WAM-TTT开创后训练新范式，中国企业不再是跟在硅谷巨头身后亦步亦趋的跟随者，而是真正在创造全新的技术范式，引领全球的技术走向。

这就是中国科技硬实力的自信。

当机器人在踏入陌生厨房的那一秒，学会通过「看」来修正自己的动作时，那个曾遥不可及的通用机器人时刻，才真正具备了大规模商业落地的可行性。

这一场属于全人类的具身智能工业革命中，中国企业，正当其时！