94
1欢迎收听自变量机器人的播客「关键变量」！让我们一起捕捉具身智能的关键变量。在这里，我们将分享自身的前沿思考与技术实践——无论是创始人的行业洞察，还是实验室里鲜活的研发趣事，都希望能为你带来启发。
同样是大模型，VLM 看起来已经超级聪明，但部署在真机上的具身模型却还是有点“笨笨的”，经常东西拿不稳、找不到、动作还发抖。这中间到底缺了一座什么样的桥，能把“智能”引过去？
就在最近，我们开源了具身智能基础模型 Wall-OSS-0.5，首次实现了预训练后无需针对下游任务做后训练，模型直接部署到机器人上就能完成搬运、分拣、整理绳索等操作，部分任务上的零样本泛化已经接近常规微调后的水平。
前段时间，我们办了一场关于具身智能基础模型的线下聚会「干杯吧，具身！」。在这一期播客里，我们把自变量动作基模负责人 Lucy 在活动上的分享原音重现，听 Lucy 和大家一起聊聊 Wall-OSS-0.5 背后的想法与训练配方。
时间轴：
同样是大模型，为什么 VLM 很聪明，真机上的具身模型却还是笨笨的？
既要泛化又要精确操作：离散与连续结合，自变量的做法和主流有何不同
连接“看懂”与“做到”：拆解 Wall-OSS-0.5 的“两座桥”
具身评估为什么是个“大麻烦”？我们如何建立科学的真机评测体系
Unseen Task 的表现，与微调的“能力放大器”效应
冰山之下：数据采集、质量管理与训练 Infra，才是更重要的一环
现场 QA：VQA 数据、Loss 权重观察、Sub-task 预测与视觉对齐 Tokenizer
欢迎订阅「关键变量」！
更多精彩内容，敬请期待～
