让基建成为常驻Buff
什么时候才是具身智能的“ChatGPT时刻”?
大概是大伙儿看到类似GPT-6 Astra仅凭一行API指令,就能跨界给机器人下达操作任务的时候。
前沿大模型团队持续展现出过硬实力,率先向全球证明:AI的通用能力足够惊艳,且远未见顶。
好消息是:模型发动机的性能远超预期,AI算法仍然疾驰在“超跑赛道”上。
坏消息则是:将指令转化为物理动作的工程底座(Infra),目前却依然是一条充满坑洼的“土路”……
模型能力越强,就越需要一套易用、完善的具身Infra,以接住前沿算法的每一次跃迁。

近期,逐际动力发布了其开源工程底座 FluxVLA Engine 的第二版技术报告。
相较9月发布的首版,V2版本进一步引入了在线强化学习(Online RL)后训练实验,并显著扩展了仿真评测与真机部署的覆盖范围。
报告显示,在仿真评测侧,已有14种策略接入同一套LIBERO闭环评测体系;在RoboCasa GR-1、RoboTwin与RoboDojo平台上,也分别完成了各8种策略的接入评测。

在推理端,针对8组模型与硬件设备的实测结果显示,经底层优化后,模型推理频率提升至原来的2.31~9.64倍。
同时,在ALOHA、Rebot、双臂Franka以及逐际动力自研的全尺寸人形机器人LimX Oli等多款真实硬件平台上,报告完整验证了从模型权重检查点(Checkpoint)直达真机闭环执行的端到端部署链路。
在线强化学习亦是本次更新的核心重点。

以SmolVLA为例,在两组对照实验中,经在线强化学习后训练后,其在LIBERO-10与RoboTwin Clean十项任务中的成功率分别提升了10.0和15.4个百分点。
自今年4月8日开源以来,FluxVLA Engine持续拓展模型支持、评测基准以及真机部署能力。
用逐际动力团队的话来说,FluxVLA Engine的核心价值在于:让底层工程能力实现高度复用,将宝贵的研发精力从无休止的“配置环境、修改接口”中解放出来,让前沿算法真正有路可走、有地可落。
告别“作坊式”重复造轮子,为具身研发打造“标准化产线”
具身智能研发为何成本高昂、耗时费力?
核心瓶颈之一在于行业长期缺乏统一的标准组件。对多数团队而言,每一次新实验几乎都是一次性工程。
FluxVLA Engine的首要目标,正是将这种“作坊式”的重复搭建升级为标准化的工业流水线——逐际动力创始人兼CEO张巍便将FluxVLA Engine形象地比作具身模型的生产线。
为了确保这条流水线兼具稳定性与高可用性,系统围绕四项核心工程原则进行了底层架构设计:
- 统一配置(All-in-one):告别杂乱分散的脚本,通过一套全局配置清单统筹管理数据、模型、训练、评测与部署等核心环节。
- 模块解耦:基于注册表机制与标准化接口,将视觉语言骨干网络、动作预测头、数据集以及训练策略拆解为模块化组件,支持自由插拔组合,同时允许保留原生策略实现。
- 面向部署的系统优化:摆脱纯实验室环境的理想化假设,从架构初期便将推理加速、实时动作分块协调(RTC)与轨迹平滑后处理深度内嵌至运行流中。
- 实验严谨可复现:完整固化并追溯每次实验的超参配置、模型权重及运行轨迹,做到成功有迹可循、失败有据可查。

值得关注的是,自今年4月开源以来,FluxVLA Engine始终保持着高频迭代与常态化运营。
回顾其过去半年的演进路线,清晰展现了工程基建的快速拓展节奏:
-
4月8日:FluxVLA Engine正式开源
-
6月22日:打通LimX Oli人形机器人全身移动操作最小推理链路
-
6月30日:支持单/双臂Franka机械臂真机推理
-
9月9日:接入GR00T N1.7
-
9月16日:技术报告正式上线arXiv
-
10月15日:扩展支持RoboDojo基准评测
-
10月22日:发布V2技术报告,补充在线RL后训练、仿真及真机评测扩展
-
GitHub主页:https://github.com/FluxVLA/FluxVLA
-
Hugging Face:https://huggingface.co/limxdynamics/FluxVLAEngine
依托持续的高频迭代,该底座的能力边界已从最初的基础“训评支持”,扎实扩展至“真机闭环落地与数据回流”。
对研发团队而言,引入FluxVLA Engine如同配备了一支专注底层基建升级、持续拓展技术边界的后台工程支持团队。
如何依托单一底座打通“训、评、部署”全链路?
当前具身智能技术路线仍处于收敛前的快速探索期。
从扩散策略(Diffusion Policy)、流匹配(Flow Matching)到世界动作模型(WAM),若每次切换算法路线都意味着过往工程积累全面归零,研发成本将难以承受。
规避“更换模型即推倒重来”的唯一路径,是将底层工程基建与上层前沿算法进行深度解耦。
简而言之,行业迫切需要一套具备高通用性、能够“以不变应万变”的工程底座。
FluxVLA Engine正是为打通“训练、评测、部署”全流程而构建,旨在保障工程资产的持续沉淀。其核心技术实现可归纳为三个关键维度:
1. 数据与模型接入
若要使特性各异的多样化模型无缝接入同一条工程管线,首要前提是对底层数据规范与接口格式完成标准化封装。
在数据层面: 来自不同本体硬件与仿真环境的原始轨迹数据,均经显式格式转换与清洗校验,统一构建为兼容LeRobot规范的标准架构(涵盖Parquet元数据索引、多视角视频流等)。同时,相机视角色序、动作空间定义、归一化统计量等规范均实现深度对齐。
经标准化处理的数据不仅支持同管线混训,亦允许针对特定子集保留专属的预处理与归一化规则。无论在离线训练还是在线推理阶段,系统均通过独立数据入口执行统一的输入编解码语义。
作为具身智能研发中成本最高的核心资产,推动多源数据的高效复用与标准化沉淀,本身就是显著降低研发边际成本的重要举措。

在模型层面: 框架已深度集成Qwen-VL、GR00T、π系列及DreamZero等主流VLM、VLA和WAM架构。各类模型在完整保留原生结构特性的同时,借助标准化接口即可接入训练、评测与部署流水线。

报告展示的14种策略同台基准评测直接印证了这一设计的扩展性。评测覆盖了当前主流技术分支:
包含紧凑型VLA、流匹配策略、模块化VLM+动作头结构、世界动作模型,乃至无需本地部署、直接调用云端API的GPT-6 Astra与近期新增的MiniMax-M3.1-Flash。

在指定基准测试下,13种本地策略中有11种在LIBERO基准上的平均成功率突破95%(例如DiT4DiT达到98.65%,π 0.5达到97.95%)。
模块化架构带来的效率优势十分显著:当业界推出新型模型架构时,研发人员无需重构环境与数据通道,即可快速推进评测与适配。

2. 在线强化学习(Online RL)支持
单纯依托监督微调(SFT)训练的模型,往往高度依赖训练分布,面对未见扰动时泛化鲁棒性相对有限。
要提升模型在复杂动态环境下的决策边界,引入环境交互探索与在线强化学习(Online RL)是关键进路。
然而,在线强化学习需同时兼顾环境并行交互、策略高效更新与大规模分布式调度,工程门槛极高。
为此,FluxVLA Engine在工程底层进行了专项攻坚:通过深度集成RLinf,使兼容流匹配机制的策略模型能够直接切入在线交互后训练流,无需针对新任务重写策略接口与数据分发管线。
在仿真对照评测中,针对LIBERO与RoboTwin基准,实验均统一采用SmolVLA SFT检查点作为冷启动权重,并开展针对特定任务的PPO后训练。
经历40轮外层迭代后,SmolVLA在LIBERO-10任务上的平均成功率由66.2%跃升至76.2%;在RoboTwin Clean十项任务中的成功率由45.9%提升至61.3%,分别实现了10.0和15.4个百分点的性能增益。
该评测证明,底座有效打通了从“模仿学习冷启动”迈向“在线交互增益”的落地链路,使中轻量参数模型同样能够通过闭环交互充分挖掘决策潜能。
3. 多维度细粒度可追溯评测
传统的评测范式往往仅输出单一维度的最终成功率指标,难以对模型的中间推理过程与失效机理展开深层归因。
V2报告重点扩充了仿真评测体系的粒度与覆盖度:
- RoboTwin:新增8种策略支持,并同步输出Clean(纯净基准)与Random(随机扰动)两种环境下的评估指标,便于评估模型在扰动环境下的抗噪稳定性;
- RoboDojo:针对8种策略覆盖42项细分任务,单模型评测频次高达2100次,形成全面的综合评测报告。
系统不仅追踪最终任务成功状态,还支持实时记录阶段进度条,并从泛化性、记忆容量、控制精度、长程规划及开放式指令遵循五个维度生成能力雷达图。

细粒度的过程指标为算法迭代提供了精准反馈。例如在折叠衣物或积木分拣任务中,若模型在前序规划与逼近阶段表现稳定,仅在最终放置闭环时出现偏差,系统可结合“阶段完成度”与“端到端成功率”快速实现瓶颈归因,明确问题源于视觉表征、动作长程规划还是执行末端的高频控制。
明确失效机理有助于大幅减少盲目扩充数据与算力带来的试错消耗,切实提高优化效率。
跨越从“仿真高分”到“真机实操”的工程鸿沟
在具身智能领域,仿真环境与真机物理世界之间始终存在显著的“Sim2Real”落差。
主流具身大模型多采用“预测一段未来动作块(Action Chunking),再交由底层控制器逐步执行”的时序输出机制。在此流程中,深度网络的前向推理开销通常较大,而机器人的低层伺服控制回路则需要高频持续运转。
若上一段轨迹尚未完全执行,下一段新预测的轨迹即已下发,相邻时序片段间极易产生不连续的位姿跳变;此外,模型输出的理论动作序列在进入真实硬件时,必须严格符合电机功率、速度极限及加速度平滑性约束。

针对真机部署中常见的时延卡顿与动作抖动问题,FluxVLA Engine构建了一套面向落地部署的系统工程方案:
方案一:底层算力优化,实现最高9.64倍推理加速
在完全不修改模型权重与网络拓扑的前提下,系统针对GR00T、π 0.5等重点模型进行了底层内核算子重构与计算图拓扑优化,将无效显存搬运与调度延迟降至极低区间。
根据报告记录的8组“模型-硬件”测试组合,优化后的推理吞吐频率相比基线提升了2.31至9.64倍:
- 在NVIDIA A100平台上,π 0.5的推理频率由2.20Hz跃升至21.2Hz,提速达9.64倍;
- 在边缘计算设备AGX Orin (64GB)上,GR00T的运行帧率从3.20Hz提升至7.40Hz,π 0.5则从1.40Hz提升至4.40Hz。
加速过程保持了高度的数值精度:针对GR00T动作输出头的数值对齐验证表明,加速后的输出张量与原生模型相比,余弦相似度达到0.99999以上,最大绝对误差控制在约0.02以内,在几乎零精度损失的前提下释放了边缘硬件算力。

方案二:引入RTC协调机制与平滑滤波,保证执行连续性
针对动作时序跳跃问题,FluxVLA Engine内建了实时动作分块协调(RTC, Real-time Chunking Coordination)机制。
该机制利用当前正在执行的动作轨迹尾端动力学状态,对最新预测轨迹的初始片段施加动态平滑衔接约束,实现动作块之间的平滑过渡;同时配合轨迹后处理模块的运动学边界约束与低通滤波,确保下发至执行机构的力矩与速度指令严格落在物理可行域内。
推理优化解决了生成时延问题,RTC与后处理平滑则保障了控制链路的稳定性,有效消除了真机运动中的异常抖动,提升了执行安全性与机械臂使用寿命。

方案三:通用跨本体抽象接口与人在环(HITL)闭环链路
在本体适配层面,FluxVLA Engine设计了高度解耦的双层通信框架:负责策略计算与状态编排的 Runner,以及负责硬件交互的 Operator。
其中,Runner统管模型推理调度、动作分块规划与阶段状态转移;Operator则对接底层各类传感器驱动、实时总线通信及底层控制指令下发。

得益于该分层设计,不同形态的机器人仅需针对底层标准Operator接口进行硬件驱动封装,即可复用上层Runner的算法流水线,大幅削减了多硬件迁移难度。
技术报告验证了该框架在多样化硬件平台上的泛化能力:
- ALOHA平台(6项任务):π 0.5达到72.22%的端到端综合成功率;
- 双臂Franka平台(5项任务):GR00T N1.7综合成功率达88.00%,π 0.5达到79.00%;
- Rebot平台(4项任务):π 0.5综合成功率达77.50%;
- LimX Oli全尺寸人形机器人:在全身协同的长程重物搬运任务中,π 0.5顺利完成前三个子阶段的比例达61.67%,完整走通四阶段任务的比例达到33.33%,验证了全身移动操作(Mobile Manipulation)端到端控制链路的可行性。
(注:以上数据均为报告内特定实验设定下的实测记录,旨在验证跨硬件兼容性而非算法横向对照)
对于具身智能工程落地而言,仅实现真机执行尚属于基础阶段。若机器人脱轨异常时的干预数据无法有效回流并重新赋能模型迭代,系统就难以构建可持续的数据飞轮。
为此,FluxVLA Engine原生集成了人在环(Human-in-the-loop, HITL)干预与主动学习模块。
系统支持操作人员在机器人自主执行偏离航向时进行低延迟无缝接管,并自动化记录接管上下文、遥操干预轨迹与奖励标签。
配套的ARM技术实测展示了该闭环机制的有效性:
在ALOHA八阶段毛巾折叠长程任务中,单纯基于行为克隆(BC)的基线成功率为62.1%;引入SARM奖励建模后,成功率升至78.5%;进一步结合ARM优势加权行为克隆算法后,端到端执行成功率达到99.4%,每小时任务吞吐量亦由18个回合大幅提升至32个回合。
至此,FluxVLA Engine的完整架构脉络已十分清晰:
它不仅提供算法到真机的部署通路,更通过“仿真环境在线RL强化探索”与“真实物理世界人在环经验回流”双引擎并行驱动,协助打通从模型训练、执行落地到数据自迭代的完整闭环,为具身智能前沿算法的实际落地铺平道路。
结语
从数据清洗、模型训练、精细化评测,到推理加速、跨本体部署,再到人在环的数据闭环回流,具身智能正逐步跨越“作坊式研发”阶段,迈入标准化、可扩展的工程基建时代。