0. 前言

        最近参与了CSDN官方的活动：博客之星2025年度总评选。

        借此机会总结一下本人从2025年5月到2025年12月底期间学习具身智能大模型的历程，总结一下这半年多相关领域的技术工具以及CSDN平台的使用心得等等。

1. 年度技术主线

1.1 VLA 成为具身大模型的“默认答案”

        过去一年，“具身智能大模型”从概念热度走向工程闭环：VLM（视觉语言模型）不再只负责理解，开始直接参与控制；策略模型从“为某一台机械臂定制”转向“跨本体可迁移”；数据与仿真从成本中心变为增长飞轮。

        今年最明确的趋势是：Vision-Language-Action（VLA） 从论文范式变成工程范式。早期做法通常是“VLM 负责理解 + 规划器/控制器负责动作”，但 VLA 直接把“看、听懂、动”端到端打通，核心价值是更强的泛化、更少的任务工程。

• 典型代表是Physical Intelligence (π)，简直是明灯，名字很有意思，“具身智能”取单词第一个字母组合，pi，。他们相继开源了pi0，pi0.5，最近更是发表了pi star 0.6，以及其他诸多优秀工作。
• 另一个具有杰出贡献的我认为是lerobot，一套具身智能应用开源框架，从性价比极高的硬件so100/so101机械臂，到软件层面的策略的集成，再到被广泛使用的lerobot数据集格式，毋庸置疑成为具身智能新手到老手必懂的项目。

当然也有一些其他或公司/团队/学校/研究院等优秀的工作，在这里便不一一列举，相关的盘点在CSDN社区中也非常丰富。

1.2 世界模型

        2025 年如果要用一句话盘点世界模型（World Model），我的感受是：它从“给 model-based RL 用的内部组件”，变成了更通用、更直观的“预测引擎”——先把未来几秒会看到什么、环境会怎么变这件事学明白，再用它反过来服务控制、规划和数据扩展。

        研究上最明显的转向是视频生成式世界模型：不再只在潜变量里滚动状态，而是直接预测未来观测（甚至是连续视频）。比如 Navigation World Models（CVPR 2025）用 Conditional Diffusion Transformer 去做可控视频预测，并把规模推到 1B 参数级别，强调“用生成的未来画面来支撑导航决策”。

        同时，机器人操作领域开始把“动作”和“视频预测”更紧地绑在一起：Unified World Models（UWM，2025）把动作扩散和视频扩散放进同一个统一架构里，你通过控制不同模态的扩散步数，就能在“当策略、当前向动力学、当逆动力学、当视频生成器”之间切换，等于是把 world model 和 policy 的边界拉得很模糊，但工程上反而更好用。

        产业侧的信号也很明确：NVIDIA 把 Cosmos 定位成“世界基础模型/世界状态预测”，并突出可以从多模态输入生成长达数十秒的未来视频，用于机器人/自动驾驶的预测与场景推演，同时强调开放与生态绑定（数据飞轮、仿真、训练栈一起推）。

        但是由于我个人对世界模型还没有更精细的使用和研究，只是看过一些论文，期待明年这个方向继续蓬勃发展，我也有时间能够体验一番。

2. 技术项目实战经验

2.1 硬件

（1）机器人本体与末端执行器

• 机械臂优先看三件事：重复定位精度、关节速度/加速度上限、力矩裕度。很多“看起来是模型问题”的抖动，其实是机械臂速度环/力矩余量不够。

• 末端执行器别一开始就追求“万能夹爪”，更推荐两套：

  • 通用并联夹爪（主力做大多数抓取）

  • 软夹/吸盘/指尖套（专门解决易滑、易碎、薄片类）

• 如果你做的是接触丰富任务（插拔、装配），建议尽早引入 力/扭矩传感器（F/T） 或等效信号（电流/力矩估计），否则后期会被“卡住但看不出来”反复折磨。

（2）相机配置

• 普通相机有opencv的接口，realsense有单独的专业的接口，都可以正常使用。

• 相机至少两视角：全局视角（overhead / 前视）+ 腕部视角（wrist）。单视角会让数据覆盖天生不足，多篇论文都有做相关测试，而且wrist想当重要。

（3）训练与部署设备

• 微调模型所需的显卡要求还是比较高的，尤其是需要全量微调模型的时候，一般的显卡往往难以支撑，需要lora或切片或其他方法。

• 部署的显存要求略低一些，但是也会影响到模型推理速度。

（4）校准与健康检查（每次上电都应该可诊断）

• 比如我使用过的so101，虽然断电之后会保存校准文件，但是重新使用的时候还是会find port找主从臂串口，然后才能一一对应。

2.2 录制数据

        社区中缺乏对录制数据的完整指导，对于某种VLA要完成的某种任务来说，多少条数据也没有很精细的说明，这很容易理解，每个人的录制环境各不相同，设备之间也有差异，数据集的质量也就参差不齐，数量那更是没法界定。

        我个人实验之后任务官方说的至少50条模型进行训练，确实是至少，50条在一些VLA上确实没办法完成任务，或者成功率很低，这个大多数时候只是一个“学习”级别的数据量，尤其是初学者录制的数据并不“完美”，50条还是太少了。

        个人建议在某一个非常具体的任务上，要有150+的episode，这样即便数据集有个别质量一般，也没太大问题。

        录制数据的方式基本就是主从臂，末端遥操比较好用一些，当然这是针对机械臂来说的，我也有相关的文章说明。如果是底盘那就是用按键摇杆遥控了，xlerobot就非常经典，可以参考。

2.3 训练与部署模型

        训练资源较少的话初学者可以微调以下smolvla，0.5B，非常轻量，而且lerobot官方说明，社区教程完善，就算出了问题也容易解决。但是并不适合在具体的工程上使用，除非你用的硬件是so100/so101。

        那么这就引出了一个点：如果一个VLA在大量某embodiment的数据上训练，那么它在这种机体上的表现会优于其他的embodiment。有优点有缺点，缺点是无法通用，或者说微调到其他embodiment的表现不是很好；优点就是在某种机体上表现优异，甚至能与更大参数量的模型媲美。

        对于部署来说可以把模型推理融入硬件运行部分，也可以尝试服务端客户端网络通信式部署。

2.4 实验验证

        针对各自的任务设置就可以，简单短时序就单纯的SR%就可以，复杂长时序可以多设计几个“子任务”按照完成多少子任务和最终成功率综合打分。

3. 技术工具与平台使用心得

四条宗旨：

多看Github，多逛Hugging face，多用lerobot，多写CSDN。

        很简单，github可以让我们了解有什么值的复现的项目，huggingface可以让我们了解有哪些开源模型与数据集，lerobot可以让我们积累丰富的真机实践经验，CSDN可以让我们将前面三步进行总结记录。

        很多东西看过用过之后很容易忘，做笔记可以让我们快速的回忆细节，而且由于这个领域更新极快，如果不做好记录，之前用过的习惯的东西容易被更新掉。而且CSDN自带MarkDown编辑器，稍加使用就会爱上这种极简风格。对“具身智能”这类需要大量配置与代码片段的内容，Markdown 是更合适的选项。

        总之，2025 下半年的收获不是“我已经掌握了具身智能大模型”，而是我开始更清楚地知道：要把它做成一个能反复成功的系统，应该从哪里入手、先打通哪条链路、哪些坑最值得提前规避。期待 2026 年，我能在世界模型与更复杂任务的闭环上再向前走一步，也希望在 CSDN 上继续把这些实践过程沉淀成对后来者更有用的经验。