責編 | 夢依丹

出品丨原力靈機投稿

最近刷屏的 GEN-1 有一個非常重要的 Feature，就是它的執行速度非常“快”：能夠以一種明顯不拖沓的節奏完成任務，并相較此前方案實現了約 3 倍提速。而這一效果的取得，“依賴系統級組件”，并“不只是模型權重”的改進。

事實上，關于 GEN-1 極速執行的底層邏輯，Generalist 在最新技術報告中給出了答案：GEN-1 并非一個機械疊加機器人動作模塊的微調版視覺語言模型（VLM），也不僅是一個世界模型，而是一個面向物理交互、具備“一等公民”地位的原生基礎模型。這與原力靈機堅持的技術路線高度一致。原力靈機明確提出“具身原生”這一全新 AI 范式，將其作為具身智能的核心實現路徑，徹底區別于行業普遍采用的“嫁接式訓練”，從智能本質與形成機制上扎根于物理交互。

正是基于這種深耕物理世界交互的共識，比較巧的是，恰好在最近一段時間里，我也專門研究了在 VLA 控制下如何讓機器人真正快速地運動起來。相關結果最終整理為題為《Realtime-VLA V2》的技術報告，并已公開在：

• 文章：https://arxiv.org/abs/2603.26360

• 視頻與 rrd 文件：https://dexmal.github.io/realtime-vla-v2/

• 代碼：https://github.com/dexmal/realtime-vla-v2

總結來說，我們實現了以數倍于遙操作采集訓練數據的速度執行 VLA，并且在多個真實場景任務上完成了驗證。

在三個不同任務上比較遙操演示速度（上）算法運行速度（中）和人手操作速度（下）

當然，要做到這一點，絕不是靠一個“巧妙算法打天下”，而是“端到端的全面踩坑”。下面我按照時間順序，記錄一下整個推進過程。

遙操作數據最初甚至無法錄制

出乎意料的是，整個項目的第一道難關，竟然是遙操作數據本身難以采集。

由于我們的目標是在“真實”場景中研究任務執行，而不僅限于傳統的“疊衣服”類 demo，因此我們還選擇了一些來自工業客戶的擺放類任務。例如在視頻展示的上料任務中，需要將工件放置到工裝上，這一過程要求 sub-mm 級精度，稍有偏差就會發生卡滯。我最初嘗試親自進行遙操作，結果發現這個任務幾乎無法順利完成，一度懷疑它是否具備可行性。

但反復嘗試之后，我們逐步總結出一套有效的方法論。概括來說，核心在于：心要靜。是的，這看似“玄學”的訣竅，背后對應了我們針對遙操作員的若干重要優化：

• 盡可能將動作設計成“機器人友好”的形式，減少必須依賴超高精度控制的步驟占比

• 允許主臂基座靈活調整位置（DOS-W1 支持該能力），為遙操作員提供更舒適的姿態，降低疲勞

• 每采集 1 小時，固定休息 10 分鐘

• 在采集初期接受效率較低的現實，直到慢慢達到“人臂合一”的無我境界，采集效率自然上去

總體來看，目標是讓遙操作員盡可能建立起對機器人末端的直接控制感，在視覺、觸覺反饋和動作執行之間形成穩定耦合，從而提升采集質量與一致性。

我們不得不承認，人類本身依然是一個超強真實世界自主 RL Agent。經過一系列優化后，演示數據總算可以較穩定地錄制出來。不過即便如此，采集到的演示速度仍顯著低于最終應用需求。換句話說，從項目一開始，我們就必須把目標設定為：“推理速度要遠超訓練數據本身”。

充滿細節的時序問題

有了數據之后，自然就是盡快 Finetune 一版 VLA，再結合 RTC 算法縮短每一步之間的間隔，看看效果。

結果也并不意外：系統很快暴露出問題。我們發現，如果想以合理成功率完成任務，別說超過演示數據的速度（定義為 1x），實際上往往需要降到 0.75x 甚至 0.5x 才能穩定運行。

這是否意味著當前 VLA 模型能力不足？為此，我們做了更深入的排查，并發現一個非常關鍵的問題：推理與執行鏈路中的時序延遲遠比預期嚴重。

為了驗證這一點，團隊做了一個簡單實驗：測量控制指令從發送到真正被機械臂執行，以及從執行到傳感器反饋可觀測之間的時間差。

結果非常明確：給機械臂發送位置指令后，通常需要約 150ms，機械臂才能實際運動到對應位置；隨后還要再經過約 50ms，我們才能從傳感器反饋中觀察到這一變化。這個時延顯著超出我們此前的預期，也明顯不同于以往在 UR 等工業機械臂平臺上的經驗。

這一現象其實不難理解。我們所使用的是桌面級輕量機械臂，其控制系統往往會對輸入進行顯式或隱式平滑，以避免運動過于抖動。但由于機械臂 API 并不提供對未來軌跡的原生支持，任何形式的平滑都不可避免地引入相位滯后。

既然如此，一個自然的思路是：在 VLA 推理時，模型其實已經隱含包含了“未來軌跡”信息，那么我們是否可以在發送給機械臂的軌跡上進行適當“預放大”，以抵消系統平滑造成的時延影響？

實驗結果非常直觀。如上圖所示，當輸入軌跡變成綠色所示那種經過適度“夸張”的形式后，機械臂的實際執行軌跡（橙色）就能更好地貼合模型原始輸出（藍色）。

但這一方案也帶來了新的問題。帶有明顯“過沖”特征的控制信號，會顯著增加機械臂抖動風險；而一旦機械臂抖動，相機隨之抖動，視覺輸入進一步惡化，再反饋到模型端后，系統很容易進入不穩定狀態。

為此，我們在模型輸出之后引入了額外的速度規劃與位置規劃，通過優化方法將高加速度段的變化分散到其他時段中，使最終下發給機械臂的軌跡既具備補償效果，又不會引發過強抖動。

完成這些處理之后，對于大多數任務，系統已經可以直接 2x 速度下取得較為理想的效果。

挑戰極限：上機器學習！

不過，我們對 2x 的狀態仍然不完全滿意。我一直在問一個問題：還能不能更快？

進一步分析動作序列后可以發現，不同階段對速度的要求并不一致。比如在精細接觸階段，系統通常需要更慢、更穩；而在空中轉移階段，則完全可以更快。

于是，一個自然的方向就是加 RL：讓系統自動學習“在什么時刻應該以什么速度執行”。

這類思路此前已有論文提出，代表性工作如 Speed Tuning。不過，任何涉及真實世界機器人 RL 的工作，落地起來都非常復雜。

這時，團隊里一位實習生提出了一個非常有效的思路：既然采集過程中本來就需要有人在旁監控，不如直接讓他加RL。于是，我們形成了目前最穩定、也最 work 的一種“油門式采集”方法：

具體做法是：先讓現有模型自主執行推理，人類站在旁邊觀察；當判斷當前階段可以更快時，就按下加速鍵；當感覺應當減速時，就按下減速鍵。這個過程很像在駕駛過程中踩油門和剎車，只不過調節對象變成了執行速度。

采集到這樣的數據后，再用于訓練新的模型，并持續迭代，我們便得到了一系列速度逐步提升的模型。

不得不說，人類確實是非常高效的真實世界自主 Agent。我們發現，這種 DAgger-style 的迭代方式非常靠譜，幾乎適用于各種任務，并且不太會引入復雜的系統不穩定問題。

也正因如此，機器人的執行速度得以進一步向前推進。

與人類速度的比較，以及進一步的邊界

如果這是一個童話故事，那么結尾大概會是：“最終我們讓機器人達到了媲美人類的速度，項目圓滿完成。”但現實通常不會如此簡單。

確實，經過上述優化之后，機器人在我們測試過的任務上的執行速度已經有了非常明顯的提升。甚至在旁觀其疊衣服時，已經能清晰聽見關節電機高速運轉的聲音。我們還專門讓人類以一種“不快不慢、但合理”的節奏，按照“機器人完成任務的方式”來執行同樣任務，結果顯示：在部分任務上，機器人確實已經接近“人手速度”。

但問題在于，人類從來不是以“機器人式”的方式完成任務。

人類雙手在結構、力量分布、材料特性和控制自由度上，依然展現出極強的生物學優勢。很多動作，人類可以以高度靈活、近乎一步到位的方式自然完成，而這些能力，目前的機器人硬件體系仍無法真正復制。

我們當然可以在六軸機械臂體系下持續探索其極限，但是離人的性能，還是差著很遠。

另一方面，當我們把執行速度不斷推高后，在各種延時的debuff下，VLA 模型本身其實也逐漸被推到了一個并不理想的工作區間：它需要在很高的提前量下以很準的要求輸出未來位置。

所以在執行速度的這條路上，如果要繼續走，必然還是要和硬件以及模型都再大戰一番，才能再繼續突破了。

這些問題，就留待未來繼續解決。

不過，我們仍然希望通過這次工作的記錄與開源，讓更多人在構建機器人 demo 時，能夠真正重視執行速度這一問題，而不是讓行業外的人繼續形成“用了 VLA 之后機器人只能慢吞吞動作”的刻板印象。

【活動分享】2026 奇點智能技術大會將于 4 月 17-18 日在上海環球港凱悅酒店正式召開，大會聚焦大模型技術演進、智能體系統工程、OpenClaw 生態實踐及 AI 行業落地等十二大專題板塊，特邀來自BAT、京東、微軟、小紅書等頭部企業的 50+ 位技術決策者分享實戰案例。旨在幫助技術管理者與一線 AI 落地人員規避選型風險、降低試錯成本、獲取可復用的工程方法論，真正實現 AI 技術的規模化落地與商業價值轉化。這不僅是一場技術的盛宴，更是決策者把握 2026 AI 拐點的戰略機會。