KUAVO-VLA 的产业启示录：垂域模型正在成为具身智能商业化的关键一公里

KUAVO-VLA 的产业启示录：垂域模型正在成为具身智能商业化的关键一公里

智科天地

一个尚未接到下一步动作指令的机器人，无法安静待在原地，胳膊仍在轻微抖动。这是只经过后训练的具身模型跑在真机上的寻常一幕。

谈到落地中的这个小细节时提到，当训练数据尚未完全收敛，机器人不知道自己该干什么，就连保持不动这件事都做不好。

抖动只是表象，深层次的原因是，企业拿到开源的通用基模时，直接用自己的数据做技能训练。当基模放到跨本体、多构型，甚至人类视频的异构数据上训练时，任何本体拟合都不理想，因为模型不一定见过目标本体的数据。

毕竟后训练阶段的数据，既要学任务特征，又要补本体构型和运动特性，还要消化各种工程trick，学习量被严重摊薄，导致落地效果参差不齐。

对于具身智能公司而言，跨过PoC阶段，进入到承上启下的联合验证与工程化打磨阶段时，工程化鸿沟极大地消耗了有限资源，让规模化落地遥遥无期。

为此，动手了。

8月26日，发布并开源人形机器人垂域模型KUAVO-VLA，同时全部开放了模型、数据、代码。

这套解法不难理解，就是在通用基模与技能训练之间加一个环节，先面向自家本体做一轮二次训练。

相关负责人打了个比方：把本体比作人，那么通用基模就是完成了 大学通识教育 的大学生，在上岗操作前，给具身模型补上大学的专业课。

为落地造一颗更拟合的大脑

当下行业聚焦于做一个能学会什么都知道的通用大脑。可是当进入到真实场景后，得出了相反的判断。比起一个什么都会、什么都干不精的机器人，工厂更愿意为一个能把一道工序干明白的解决方案买单。

KUAVO-VLA便是这一判断的产物之一。 经Benchmark对比，LingBot-VLA 2.0在参测模型中综合表现最优，因此被选为KUAVO-VLA的能力基座，为其提供更高的通用能力起点。

通过6B参数全 量二次训练，积累起600多小时真机数据， 训练数据聚焦工业落地场景，覆盖分拣、搬运、上下料、装配等100项典型工业任务。通过多样化物料、工位与任务组合，模型得以沉淀出可复用的工业垂域操作能力。

在25项测试任务中，KUAVO-VLA 1.0取得48.27%的整体任务成功率和74.51%的过程分，两项指标均位列第一。

对比骨干网络LingbotVLA2.0的测试基线，任务成功率为 16.27%，过程分为 42.06%。

测试中出现了一些让人意外的成果，比如 减震器下线任务在实验测试范围内 做到了100%成功率。评测者有意把物体放到偏门位置，模型依然处理得了。开篇提到的那个细节也能看出这款垂域具身智能模型的效果：本体在训练收敛后，无动作指令时，本体安稳地站在原地。

到这个时候，端到端才有被打通的可能。到了这一步，感知数据才能直接映射为动作，从而省去传统机械臂+机器视觉方案里，大量工程化解算的过程，让机器人从数据里学习人的行为。

说到底，KUAVO-VLA解决的是数据问题。人人都知道垂域二次训练管用，但不是所有厂商都能做的。要求具身模型厂商能源源不断地获取足量的、与本体严格同构的真机数据。与此同时，数据不仅要了解本体怎么动，还要了解工厂长什么样——为此深入一线调研了70多家真实工厂、1000多个场景。换句话说，要想把专业课办起来，提供课程的学校得持续供应来自真实场景的教材。

真实数据是生产能力

具身智能行业谈数据稀缺谈了很久，有没有数据不构成困难，难在持续生产数据。

敢这么干的基础是实现了数据生产工业化。

参与共建多个训练场 ，真实工厂里跑出来的场景被工业项目部拆解成一个个动作单元，然后复刻到训练场里，配合自动任务派发与自动数据清洗。这其实已经形成了一条处理真机数据的流水线。

进一步拆解这条流水线，很容易看到这套方案的&;地基&;是一条全栈自研的国产链路。包括全栈自研的本体、数据、大脑、小脑，甚至还延伸到了从采集设备到训练、推理算力的国产化链路。

由于全栈自研，数据从笨重的重资产，变成可供随用随取的生产资料。模型迭代受到两个变量影响，一个是采集周期，另一个是产线吞吐。如果数据变成随取随用，采集周期将不再制约模型的迭代速度，而只取决于产线的吞吐。掌握真机数据的生产能力，相当于坐拥持续迭代的燃料。

具身智能需要一场大分工

做垂域模型的动机，有相当一部分源于深入到产业一线后的摩擦。

工业落地速度加快之后，大量场景需求找上门，但一家公司不可能开发完世界上所有的场景，必须依靠二次开发伙伴。二次开发公司也有自己的痛点，比如有工业落地经验，却没有具身经验。从基模到技能训练的链路要重新走一遍，学一个完整任务，数月就过去了；每迭代一次，动辄半年。

这实际上是浪费资源的重复造轮子，KUAVO-VLA开源便想解决这一问题。

事实上，意识到，行业落地需要有一套分层分工体系。基模公司完成从小学到中学的通识教育；垂域模型让机器人聚焦具体本体与场景，修完大学专业课；然后到技能公司做岗前培训，实现三个月即可交付；最后由场景需求方让机器人快速上岗。

在这个过程中无人需要重复造轮子，当然，也没有一家公司能把所有板块都做成长板。

围绕这套分工，给自己设置了一个金字塔形的定位。

塔底是开放的生态底座。通过投资一体化关节、电机、灵巧手、具身大脑、操作系统等上下游企业，联合建设大规模产线与控制器公司，以及70余家产业链伙伴和上万名开发者，构成支撑整个体系运转的基础设施。

塔身是场景落地。科研、商服、工业、训练场四大场景，十余个商业化解决方案，完成从技术验证到商业交付的跨越。

塔尖是技术突破。数据-大脑-小脑-本体的全栈国产化体系，KUAVO-VLA是这一层的成果，但不是终点。

结语

过去三年时间，人形机器人行业的叙事重心经历了三次迁移。

本体能走能跑是行业最初的关注点，不久之后玩家们开始聚焦于更大的大脑参数，或是更惊艳Demo。到了今年，WAIC和WRC上已经看到了第三次迁移的苗头，厂商们更关注机器人到底在工位上创造多少价值。

持续的融资和密集的发布会已经决出了前两个阶段的赢家。第三阶段的胜负，只能由工厂的节拍与部署的成本决定，最好的指标就是客户的复购。

第三次迁移意味着行业的评价体系正在被改写。

过去缺乏准绳时，衡量具生智能厂商的标准大多是显性的，比如实验室里的成功率数字与演示视频里的惊艳一瞬。而接下来，标准变成了隐性的慢变量，诸如真机数据产能、模型与本体的拟合度、生态伙伴的分工效率等等。具身智能从告别单点突破后，将随之进入体系化竞争的深水区。

对国内厂商而言，是一个机遇窗口。

国内拥有全球最密集的制造业场景与最完整的机器人供应链。如果能将需求翻译成数据、把数据转化为技能、把技能分发到千行百业的产业管道，总之只要修好这条管道，行业水位将自然而然被抬高。

具身智能的赛道足够宽，一家无法全盘吃下，云厂商那套全栈打底、生态放大的打法仍是最有效的解法。

从这个角度来看，KUAVO-VLA的开源其实是向行业给出的一套分工协议。

协议的落脚点是把机器人快速送上工位，协议底部的签字栏位预留了很多，只不过先在其中一小片区域上，签上了自己的名字，剩下的留白， 是留给更多想加入具身行业的开发者和合作伙伴的。 当一个行业开始有人制定分工协议，而不是独自包揽所有环节时，规模化才真正开始。