2026-05-28 14:42:14 搜狐号
自变量机器人今日正式开源具身基础模型 Wall-OSS-0.5，在全球范围内首次实现了无需针对下游任务进行后训练，预训练后的模型直接部署到机器人上，即可完成搬运、分拣、整理绳索等多种操作任务，在部分任务上的零样本(Zero-shot)泛化表现接近常规微调后的水平。
预训练模型到底能不能直接使用?
过去两年间，VLA(视觉-语言-动作模型)被视为具身基础模型的重要演进方向，然而在实际应用中，一个无法回避的现实是：几乎所有 VLA 都需要在针对特定任务完成后训练后，才能有理想的操作表现。
预训练本身到底有没有让机器人学会直接做事?此前这个问题并没有答案。
Wall-OSS-0.5 想要回答的就是这个问题：预训练完，不再做任务微调，直接部署到真实机器人上，能不能干活?
自变量团队在十余个真实机器人任务上做了零样本测试。结果显示，预训练后的模型在分拣、堆叠等结构化操作上达到了可用水平，甚至在从未见过的绳索整理等柔性操作任务上也表现稳定。
Wall-OSS-0.5 的关键改进
要让预训练模型产生零样本泛化能力，关键是主干网络本身得真正掌握动作能力，而不是把这件事甩给一个外挂的小模块。但要做到这一点，仅仅"把动作监督接进主干"是不够的，动作以什么形式进入、多路监督能否保持优化方向一致、训练在大规模下能否真的跑得动，每一步都需要专门的设计。下面几项改进，就是沿着这条链路给出的回答。
1. Gradient-bridge：让"动作"真正反向塑造主干模型
当前主流 VLA 训练的范式，本质是一种"分层隔离"：先用海量视觉-语言数据预训练 VLM 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视觉语言特征，并不真正理解物理世界的可操作结构。模型规模再大、视觉语言知识再丰富，也很难翻译成更强的动作能力。
Wall-OSS-0.5 的解法是让动作的监督信号直接反传进主干模型。团队把动作离散化为 token，与文本 token 拼接进同一条自回归序列，用交叉熵损失训练。这一支路充当一座gradient-bridge，把"如何动"以与语言完全相同的形式注入主干，让主干在预训练阶段就把"看-说-动"统一在同一套表征里。同时保留flow matching 损失用于生成连续动作，多模态交叉熵损失作为锚点防止视觉语言能力退化，三路监督共同训练、互不干扰。消融实验显示：去掉"gradient-bridge"这一支，真机任务成功率会出现两位数百分点的下降，且模型规模越大、退化越明显，这正反向证明了让动作监督进入主干、而非隔离在动作专家内部的重要性。
2. 视觉对齐的动作分词器：让"gradient-bridge"传递的是语义，而不是数字
但gradient-bridge要真正生效，还有一个隐含前提：主干通过交叉熵学到的东西必须是"动作的含义"，而不只是"动作的数值"。如果离散 token 只是对动作做机械的数值压缩，那"gradient-bridge"传过去的就是一串没有物理意义的编号，主干学到的也只是统计共现，与真正的可操作理解相去甚远。
业界广泛使用的 FAST 分词器是基于 DCT 的规则化方案——它能还原动作，但并不知道这个动作"对应画面里发生了什么"。Wall-OSS-0.5 训练了一个视觉对齐的残差向量量化分词器：在量化动作的同时，强制 token 表征与对应时刻的视觉特征对齐，并要求其能预测下一帧的视觉变化。这样，每一个动作 token 同时承载"动作的压缩"和"画面如何变化"两层信息——它和视觉、语言进入了同一个语义空间。主干在预测下一个动作 token 时，做的是和"预测下一个词"完全同构的事。仅替换分词器、其他条件不变的对照实验中，真机任务平均成功率大幅跃升，VQA 能力同步提升。
3. 在动作空间监督 flow matching：让连续动作分支也学到"该学的东西"
Gradient-bridge与视觉对齐分词器解决了主干"学到动作语义"的问题，但模型最终在机器人上执行的是 flow matching 分支输出的连续动作。如果这条分支的训练目标本身存在偏差，再好的语义表征也无法转化成可执行的轨迹。
Flow matching 的标准做法是预测"速度"(噪声到目标的瞬时方向)、损失也定义在速度上。问题在于：机器人轨迹的有效信息分布极不均匀——整体形状(低频结构)决定任务能否完成，高频细节几乎不影响成败。在速度空间训练，模型会把大量学习预算花在拟合无关的高频抖动上，与"梯度桥+视觉对齐"努力建立的语义结构形成内耗。团队把损失从预测速度改写为预测重建出来的动作，效果上等价于对噪声更大的去噪步骤自动加权，让模型把学习重心压回到最关键的轨迹塑形阶段。
4. DMuon：让上述训练在大规模下真正跑得动
前三项改进同时在主干上施加了多源监督，带来了一个工程层面的副作用：模型内部参数尺度与梯度强度都高度异构——VLM/video backbone 来自大规模预训练、action head 从头初始化，三路损失反传的梯度量级也系统性失配。这正是 Muon 优化器的用武之地：通过 Newton-Schulz 迭代对更新矩阵做正交化，能有效缓解这类异构带来的优化困难。但 vanilla Muon 单步开销可达 forward+backward 总和的两倍，足以抵消其收敛优势。
团队实现的DMuon有两点关键设计：基于 LPT 的 dedicated-ownership 调度(把 all-reduce 替换为 reduce/broadcast，并与下一次 forward 重叠)和利用正交矩阵对称性回收 NS 迭代冗余计算的 CuteDSL kernel，这样就将引入 Muon 的整体开销从 2x 降至 0.02x，缩减约 100 倍，以即插即用方式嵌入现有流水线。
与传统的开源VLA相比，真的有效果吗?
在十余个真实机器人任务上的公平对比中(相同数据、相同微调预算)，Wall-OSS-0.5 在操作类任务和推理类任务上均领先 π0.5 等同类开源模型，其中操作类任务的领先幅度尤其明显。更值得一提的是，多模态理解能力没有在动作训练中崩坏——在"具身定位"这种与机器人执行强相关的能力上，模型相比基础 VLM 反而出现了显著提升，印证了协同训练方案的有效性。显示出领先的零样本泛化能力
Wall-OSS-0.5 全部开源
具身智能的突破，离不开广大开发者的共同探讨和交流。我们已将Wall-OSS-0.5 的模型权重、训练代码、训练配方、消融实验、乃⾄底层优化器完全开放，希望能为研究者和开发者们提供一个具备实际参考价值的全新起点。
