千寻智能 Spirit v1.5 登顶 RoboChallenge，开源策略背后的技术深意

在具身智能领域，最近有个大新闻：千寻智能推出的 Spirit v1.5 模型，直接在权威评测平台 RoboChallenge 的最新排行榜上拿下了全球第一，把 Pi 0.5 挤到了身后。这意味着什么？简单说，在端到端具身智能这条赛道上，Spirit v1.5 已经用公开的 benchmark 证明了自己。

目前，Spirit v1.5 的完整模型权重、部分已公开的微调任务权重，以及配套的推理与部署示例均已正式开源。其余内容会按计划分阶段逐步开放。作为一款面向现实世界任务的端到端具身智能基础模型，Spirit v1.5 致力于在统一架构下实现三大核心能力：泛化性——适应不同任务和机器人本体；稳定性——能长时间连续执行复杂任务；准确性——对操作目标和动作结果保持高精度控制。

关注模型设计的朋友可能会注意到，Spirit v1.5 采用了 Vision-Language-Action（VLA）一体化建模范式。视觉感知、语言理解、动作生成三者深度融合在同一条决策通路里，这就避免了传统多模块级联带来的信息衰减问题，长周期任务的鲁棒性也因此明显提升。说白了，不是把几个模块拼在一起，而是从头就一起训练，效果自然更连贯。

而它最大的突破，其实藏在训练策略里。千寻智能的技术博客说得很直白：他们摒弃了对高度筛选、高度可控的“理想化”演示数据的依赖。这类脚本化数据虽然能帮模型快速收敛，但会严重削弱它应对开放世界动态场景的能力。换句话说，如果只让模型在完美环境下练习，到了真实世界里一遇到遮挡、干扰就抓瞎，那再快的收敛也没意义。

所以 Spirit v1.5 在预训练阶段引入了开放式、非脚本化的数据采集机制。数据收集不拘泥于预设任务流程，而是以“达成有意义的实际目标”为根本导向，允许操作过程自然融合多个子任务与底层技能。这样一来，模型在训练初期就能接触到遮挡干扰、失败重试、任务无缝衔接这些真实挑战。打个比方，不是让运动员只练标准动作，而是直接扔到实战赛场上磨练。

相关的消融研究也印证了这一点：在同等数据量下，采用多样化数据预训练的模型，面对全新任务时迁移效率更高；达成相同性能指标所需的计算开销大幅降低。这也是 Spirit v1.5 能在 RoboChallenge 平台上，面对多形态机器人构型和未见过的任务时，表现出卓越泛化与稳定执行能力的根本原因。

顺便介绍一下 RoboChallenge。这个平台是 2025 年正式启动的标准化评测体系，由 Dexmal、Hugging Face 等国际知名机构联合发起，专注于评估具身智能模型在不同硬件平台间的通用性与可迁移性。作为当前最具代表性的具身智能 benchmark 之一，它强调真实机器人实体的闭环执行能力，评测维度涵盖复杂语义指令解析、多阶段操作规划、跨环境行为一致性等关键指标。能在这样的平台上拿第一，含金量不用多说。