20%数据超GR00T N1.6、RoboDojo超WAM！StarVLA只用16卡训出全新VLA！
机器之心 · 人工智能
机器之心 2026-09-06 13:00 上海 Beyond Data Scaling：让每条机器人数据“学得更值” 机器人 VLA 还在疯狂卷数据，StarVLA 团队这次却把目光放到了另一个问题上： 除了继续 scale 数据以外，能不能让每一条 数据 都学得更值？ 他们最新发布了面向 VLA 的 VLM 底座 VLAct 。 VLAct 的整个 continued pre-training 只使用开源数据和 16 张 GPU ，但成绩相当能打：RoboTwin 2.0 成功率达到 92.5% ；在 RoboDojo 榜单中超过所有明确标注为 World Action Model（WAM）的模型；面对预训练阶段从未见过的 GR-1 机器人，只使用 20% 的 RoboCasa-GR1 下游数据，就已经超过 NVIDIA GR00T N1.6 的全量数据基线。模型、Checkpoint、训练代码和 Pipeline 也 全部开源 。 图 1｜VLAct 主要结果一览：RoboDojo、RoboTwin 2.0、RoboCasa-GR1，以及 16 GPUs 与全开源。（项目宣传图） 机器人数据 没法像互联网数据一样“爬” 过去几年，大模型已经证明了一条非常有效的路线：数据更多、模型更大、算力更强，能力就不断往上走。VLA 自然也希望复制这条 Scaling 路线。 但机器人领域有一个绕不开的现实：机器人轨迹不是网页数据，不能从互联网直接爬下来。每条数据都需要机器人真正在物理世界里完成操作，背后往往还有遥操作、数据采集和硬件成本。更麻烦的是，机器人最终面对的是几乎无限的场景、物体、任务和机器人形态组合。 所以 VLAct 并不是想否定 Data Scaling，而是补上另一个问题： 在同样的数据预算下，能不能让机器人轨迹在 Backbone 里留下更多可以跨任务、跨 Action Head、甚至跨机器人迁移的知识？ 图 2｜Naive VLA pre-training 容易绑定预训练场景；VLAct 把目标转向更可迁移的 Action-aware Representation。 一个有点反常识的发现： Action 学得更好，Backbone 不一定更好 VLAct 真正的起点，来自团队前期实验中一个很有意思的现象。现在很多 VLA 都会从一个 VLM 出发，挂上 Action Head，再用机器人数据继续训练。很自然的想法是：Action 预测越准，说明这次 VLA 预训练越成功。 但实验发现，并不一定。以 RoboTwin 为例，使用 OFT Head 做 continued pre-training 后，如果下游继续使用 OFT，成功率可以从 61.7%提高到 75.8%；但把同一个 Backbone 换成 PI Head，下游反而从 60.5%下降到 55.1%；换成 GR00T Head 甚至从 51.2%降到 28.9%。 换句话说： Policy 在原来的 Head 上变强了，不代表 Backbone 真的变得更通用 。 图 3｜Action supervision 会直接塑造 Backbone：同 Head 性能提升，并不自动转化为 Cross-head 迁移能力。 原因也很直观。Action Head 和 Backbone 是一起训练的，只用一种 Head 时，Backbone 很容易逐渐学会一种“最方便这个 Head 读取”的 Feature Geometry。对于当前 Policy，这当然很好；但换一个 Action Head、任务甚至机器人后，这些 Representation 未必还能继续复用。论文把这种现象称为 head-specific representation collapse 。 于是 VLAct 把 continued pre-training 的目标重新定义了一遍：不是训练一个已经很会做动作的固定 Policy Initialization，而是 训练一个能被不同 Action Head、不同任务、不同机器人继续利用的 VLM Backbone 。 那怎么避免 Backbone 被“带偏”？ 围绕这个目标，VLAct 没有重新发明复杂的 Policy Architecture，而是在 continued pre-training 阶段做了三件事。 第一， 别把 VLM 原来学会的东西忘了 。VLAct 保护 Vision Encoder 和较浅的 LLM 层，同时混入 Caption 数据，让模型在学习 Action 时尽量保住原来的视觉语言先验。 第二， 别让一种 Action Head 说了算 。VLAct 同时挂上 OFT、PI 和 GR00T 三种连续 Action Head