文章核心观点 - 一场为期3天的具身智能黑客松大赛揭示了行业的双重现实：一方面，借助现有基座模型、数据和算力，针对特定任务快速开发出演示级效果的门槛已显著降低；另一方面，模型在面临任务变化和环境变化时的泛化能力仍是核心挑战，真正决定公司长期差距的是基础模型的能力[7][10][22] - 行业正从追求漂亮的单任务演示，转向在真机、多任务、带约束的环境中检验模型的泛化与稳定性能，这催生了新的评测体系，并倒逼模型团队提升基础能力[23][24][38] - 以“自变量”公司为代表的厂商，其战略选择是不为垂直场景的快速落地而堆积针对性工程补丁，而是通过挑战家庭等复杂开放环境来迭代通用基础模型，并探索“具身原生”的模型架构，以实现从通用到垂直场景的“降维”覆盖[25][26][28][32] 行业现状与挑战 - 快速任务适配成为可能：在主办方提供数据集、设备和算力支持下，参赛队伍（包括大学生团队）能在3天内完成从数据采集、模型训练到真机部署的闭环，而传统研究实验室完成类似搭建需6个月[5][6][8] - 单任务优化效果显著但易过拟合：在任务明确的A榜阶段，模型经过短时间优化后，在如套环等任务上的成功率可从20%-70%迅速提升至接近100%[13] - 泛化能力是核心瓶颈：在隐藏的B榜阶段，当任务引入新类别、干扰项或改变空间结构时，针对A榜优化的模型普遍表现不佳，暴露出数据量和多样性不足的问题[18][19] - 演示效果可信度下降：一个开源基座模型配合现场数据和算力，已能快速复现论文或宣传视频中的特定任务效果，但这不等于模型具备通用能力[21] 技术发展方向与行业共识 - 评测标准转向真机与多任务：行业共识是需将模型置于真机、多任务、带约束的环境中反复测试，国内多家厂商（如原力灵机、智元、自变量）已推出各自的真机评测体系和挑战赛[23] - 基础模型能力成为竞争关键：真正拉开公司差距的是谁拥有更强的基座模型，以及谁能在任务、环境变化和连续执行中保持稳定，未来认真做基座模型的团队与仅做任务微调的团队差距将越来越大[22][23] - 探索“具身原生”模型架构：当前主流架构（多模态输入经大语言模型处理输出动作）可能存在局限，新方向是在端到端框架下，更早、更深地融合世界模型与视觉-语言-动作模型，通过联合建模让预测更符合物理规律[31][32] - 重构多模态表达空间：不再让视觉仅服务于语言，而是将语言、动作拉到同一表达空间，利用动作兼具宏观意图表达和微观运动刻画的能力，构建真正属于物理世界的模型[33][34][35] 公司（自变量）的战略选择 - 坚持迭代通用基础模型：公司核心方向是保持基座模型持续向前迭代，克制为垂直场景快速落地而堆砌针对性模型系统和工程补丁的冲动[26] - 优先攻坚复杂开放场景：将家庭、养老院、酒店等服务环境置于优先位置，因这些场景能提供宝贵的数据来源，且攻克复杂场景后再覆盖垂直场景是一个“降维”过程[28] - 对“具身中心数据”的独特理解：在数据金字塔底层，公司强调包含人类可穿戴设备数据的“Egocentric”数据，认为这类介于人类与机器自由度之间的数据形态对构建通用能力至关重要[37]