刚刚，国产预训练具身大模型开源了，让后训练不再是必选项！
编辑｜panda、+0
2026 年初，国内具身智能赛道掀起了一波开源潮，越来越多团队开始公开自己的视觉-语言-动作（VLA）模型、数据集与训练框架。与此同时，行业竞争也逐渐集中到 benchmark 成绩、任务成功率以及跨任务泛化能力上，尤其是在标准化或已训练任务中的表现。
这股竞赛背后藏着一个行业里心照不宣的困境。大多数 VLA 模型的评测，都是在针对特定任务 微调 之后才进行的。说白了，就是先技术细节，而是关乎整条技术路线的根本问题：我们是在训练「通用机器人大脑」，还是在为每台机器人定制一套任务脚本？
就在这场关于泛化能力的追问中，自变量机器人（X Square Robot）选择了一种更直接的回答方式：直接把没有经过任何任务微调的预训练模型搬上真实机器人，在 17 个任务上公开测试。这个模型叫 Wall-OSS-0.5 。
项目链接 ： https://x2robot.com/oss#resources
论文地址 ： https://x2robot.com/api/files/file/wall_oss_05.pdf
代码仓库 ： https://github.com/X-Square-Robot/wall-x
模型权重 ：WALL-OSS-FLOW / WALL-OSS-FAST（Hugging Face）
要理解这项研究成果的意义，需要先知道机器人策略模型是怎么被训练出来的。
一个典型的 VLA 模型会先吸收大量的视觉和语言数据，形成对世界的基础认知，就像一个刚从大学毕业、学过很多理论的新人。但要让它真正上手操作，还需要针对具体岗位进行「在职培训」：给它看几百条这个任务的示范轨迹，让它学会「怎么拧螺丝」或者「怎么折叠毛巾」。
问题在于，这种「考前培训」模式让人很难判断：是大学课程（ 预训练 ）起了作用，还是培训班（ 微调 ）解决了问题？过去的多数论文都是在微调之后才汇报成绩，让预训练阶段的真实贡献始终藏在迷雾里。
Wall-OSS-0.5 提出的问题是：如果不允许微调，预训练的模型能干什么？
答案出乎意料地乐观。
预训练即可部署
Wall-OSS-0.5 是一个 VLA 模型，在超过 20 种机器人形态、每轮超过 100 万条轨迹的数据上完成预训练，同时混入了约 9000 万条多模态语料。
Wall-OSS-0.5 能力概览：涵盖预训练真实机器人行为、下游适配、仿真迁移及具身多模态理解。
自变量团队随后把这个完全没有任务特定微调的预训练 checkpoint，直接放到真实机器人上跑了 17 个任务，涵盖语义理解、刚性物体操作、柔性物体操作、精细操作和长程多步操作五大类别。
结果非常亮眼！400k 预训练步数的 checkpoint 在 17 个零样本任务中，4 个任务的得分超过 80 分（满分 100 分）：
400k 预训练 checkpoint 达到了及格分数的任务（零样本）。 积木分拣（Block Sorting） ：100 分（已见任务）
水果分拣（Fruit Sorting） ：96 分（已见任务）
套环叠放（Ring Stacking） ：86 分（已见任务）
绳子收紧（Rope Tightening） ：82 分（未见任务，柔性操作）
需要特别注意的是「绳子收紧」这个任务。它是一个完全没有在预训练集中出现过的柔性物体任务，属于 17 个任务中最难的类型之一——不仅需要双臂协调，还要感知绳子的松紧状态并动态调整力度。
能以 82 分的成绩完成，是这次实验最有说服力的数据点之一： 模型不是「背过」这道题，而是真的迁移了某种可复用的操作能力。
从训练进度来看，这些能力并非一开始就有。随着预训练步数增加（从 50k 步到 400k 步），见过的任务平均得分从 26.1 升至 50.0，没见过的任务平均得分从 24.2 升至 53.6——两条曲线几乎并排上升。这意味着模型积累的能力确实在向新任务迁移，而不只是记住了训练分布里的任务样板。
论文称这种现象为能力的 阶梯式涌现（staircase emergence） ：积木分拣从大约 50 分跳跃到 100 分，套环叠放从 73 分跳跃到 100 分，都发生在训练中后期的某个临界点。这像极了大语言模型中观察到的涌现现象。更重要的是，到 400k 步时，整体平均任务进度还在上升，尚未饱和，这意味着更长的预训练有望能带来更多提升。我们也期待进一步的研究为我们揭示具身智能预训练的 Scaling Law。
当然，零样本并非万能。毛巾折叠（10 分）、餐桌摆设（9 分）、充电器插接（9 分）这三个任务几乎无法完成，它们涉及柔性形变和精细对准，是对精度要求最高的类别，单靠预训练还远远不够。
不同预训练步数的 checkpoint 在不同已见和未见任务上的零样本表现。 这些任务清晰地描绘出当前能力边界： 一旦任务的「语义理解」成分占主导，预训练就能发挥；一旦涉及精度等更多要求，就需要微调来补足。
不仅学得快，还越动越聪明？
如果说零样本测试证明了 Wall-OSS-0.5 拥有「物理直觉」，那么在需要针对特定任务进行微调的场景下，它则展现出了作为基座模型的「先验优势」。
微调阶段的大幅领先
在包含 15 项真实机器人任务的微调评估中，Wall-OSS-0.5 展现了极高的学习效率与上限。对比行业标杆 π0.5，在同样的微调数据预算下，Wall-OSS-0.5 的平均任务进度达到了 60.5，不仅领先前者 17.5 分，更是在涵盖抽屉整理、碗中放勺等 10 项核心操作任务的子集上，将领先优势扩大到了 26 个百分点。
这种优势在主流仿真基准测试中同样表现稳健：
高难度操作 ：在 RoboCasa 厨房模拟环境的精密插入（Insertion）任务中，Wall-OSS-0.5 的成功率达到了 39.6%，而 π0.5 仅为 4.0%，在强约束任务的处理上实现了近乎一个数量级的提升。
在 RoboCasa 厨房操控任务中的分项对比。Wall-OSS-0.5 在 articulated（关节）及 insertion（插入）等精细操控任务中优势极为明显。
适配效率 ：在 LIBERO 单臂操控基准上，Wall-OSS-0.5 仅需 20k 步微调即达到 97.5% 的平均成功率，不仅成绩超越了 π0.5 经过 30k 步训练的成绩，更直接节省了约三分之一的算力与适配时间。
场景鲁棒性 ：在包含 50 个双臂协作任务的 RoboTwin 平台中，面对充满光照与背景干扰的随机化场景，Wall-OSS-0.5 依然保持了 80.9% 的高成功率，展现出极强的域外泛化能力。
动作训练还能倒逼感知能力进化
在以往的具身智能研发中，让模型「肢体发达」（学会操作）往往伴随着「头脑简单」（视觉-语言理解能力退化）的代价。但 Wall-OSS-0.5 在接受高强度的动作训练后，其基础图文理解能力不仅没有崩坏，反而迎来了对机器人至关重要的「能力重塑」。
测试显示，该模型在具身视觉定位任务上的能力暴涨了 21.8 分，在 Placement reasoning（放置推理）任务中提升了 11.0 分。这标志着模型并没有因为学习动作而变成一个只会输出坐标的「盲目机器」，而是主动将自身庞大的通用视觉算力，倾斜到了「寻找目标、判断方位、推理落点」这些操控任务最急需的感知能力上。
多模态感知能力的「能力重塑」。通过协同训练，模型将通用视觉算力转化为机器人更急需的具身感知能力，在 Grounding 和 Where2Place 等任务上表现出显著的性能跃迁。
这种「鱼与熊掌兼得」的特性，证明了其协同训练方案不仅有效，而且在物理世界的感知与操作之间建立了一种良性的互补关系。
Wall-OSS-0.5 为什么这么强？
从结果来看，Wall-OSS-0.5 着实相当强，甚至可以说有点反常：一个从未见过这些任务的预训练模型，零样本就能完成柔性双臂操作；微调后更是在多个任务上将 π0.5 甩开 30 个百分点以上。这种级别的领先，不像是某个超参数调得更好的结果，而更像是底层训练逻辑上的系统性差异。
那么，它到底做对了什么？
答案其实隐藏在一个被很多人忽视的差异中：大语言模型输出文本是「一截一截」的离散状态，而机器人的物理动作必须是「丝滑连贯」的连续曲线。如果把动作直接以连续信号灌入主干，这股信号对习惯了文字接龙的 VLM 来说太微弱，根本无法撼动其底层认知。论文数据也印证了这一点：训练稳定后，流匹配损失对主干的梯度贡献仅剩约 5%。
换句话说，要想让连续动作直接「教会」主干大脑，几乎是徒劳的。自变量团队的解法是：既然连续信号太弱，那就借道离散，把梯度强行送进去。以下四项设计，共同支撑起这套「用离散路径传梯度、用连续路径做执行」的训练框架。
梯度桥接：让动作反向塑造主干大脑
当前主流的 VLA 训练大多采取「分层隔离」策略：先用海量视觉-语言数据预训练主干，再在其顶部挂一个动作专家单独训练。这种做法虽然安全，但代价是主干模型本身永远学不会「动作」，它只是在为动作专家提供特征，并不真正理解物理世界的可操作结构。
Wall-OSS-0.5 的方法 是 ： 梯度桥接协同训练。 团队将动作离散化为特殊的「字符 Token」，与文本 Token 拼接到同一条自回归序列中，用大模型最原生、最强烈的交叉熵损失进行训练。
这一支路就像在 VLM 大脑中架起了一座「梯度桥」，强迫主干在预训练阶段就把「看、说、动」统一在同一套表征空间里。同时，模型保留流匹配损失用于生成连续动作，并辅以多模态交叉熵损失作为锚点防止视觉语言能力退化。三路信号协同开火，消融实验证明：一旦砍掉这座「桥」，真实机器人任务成功率会出现断崖式下降。