发生了什么
具身智能企业星动纪元（Robot Era）宣布，其世界动作模型（WAM）VPP2（Video Prediction Policy）在由香港大学 MMLab 牵头、全球近 20 所学术机构共建的仿真评测基准 RoboDojo 上位列榜首：平均成功率 32.26%、平均得分 39.26，并在泛化能力、精细操作、记忆能力三项分榜排名第一。公司称该成绩超过后训练评测中的 GPT-6 Astra（22.48%、28.97 分）、Physical Intelligence π0.5 与英伟达 GR00T-N1.7。VPP2 已正式开源。
- RoboDojo 的 42 项双臂任务覆盖泛化、精细操作、长程任务、记忆与开放词表指令
- 官方称 VPP2 仅使用标准数据集训练，未引入额外数据，也未使用代理式递归自我改进（Agent RSI）
- 训练分三段：事件级视频预训练、固定时长单步蒸馏、动作模型转换
技术路线
VPP2 沿用「先预测、再行动」的分阶段训练思路，把视频预测与动作生成解耦。第一阶段基于阿里开源的 Wan2.1-I2V-14B 做事件级视频预训练，学习完整预测一次操作的全过程；第二阶段把预测裁剪为固定 8 秒片段并蒸馏成单步预测，单次耗时约 0.12 秒；第三阶段用一个 0.9B 参数的 Action DiT 把预测转成动作，视频模型冻结、仅经 LoRA 适配。一个动作块的总延迟约 0.22 秒。
在真机侧，VPP2 在 ALOHA 双臂机器人上 10 类零样本任务平均成功率 58.5%，对照的 Physical Intelligence π0.5 为 40%，其中 9 类任务表现最佳；LIBERO-Pro 45.0%、LIBERO-OOD 63.9%；接入视觉语言模型作为高层规划后，部分 RoboDojo 长程任务从 27.6% 提升到 57.6%。
为什么重要
世界动作模型长期存在一个老问题：视频预测一旦出错，动作就会跟着错。VPP2 的分阶段训练与固定时长蒸馏，本质是让「预测」与「行动」解耦，避免误差沿链路累积。对一个算力储备不及前沿实验室的团队而言，把能力增量放在后训练与环境反馈上，是更现实的路径；开源也能让企业把类似思路迁移到自有场景。
仍需观察
榜单数字来自论文与厂商口径，尚无独立复现；上月另有企业宣称其系统登顶同一基准，名次仍需持续观察。星动纪元已在五个省市、十多个物流中心与合作伙伴运行机器人，但这与 VPP2 的规模化部署是两件事，不能混为一谈。