数亿的大模型，竟输给了一台相机？新智元

数亿美金，竟输给了一台相机？

一边，是硅谷明星机器人初创Physical Intelligence，用数亿美金算力砸出来的明星大模型π0.5。另一边，是一家中国公司，加一台随手能买到的运动相机。

7月15日，银河通用发布WAM-TTT，全球首个面向具身智能大模型的测试时后训练框架。

随框架一起公布的跨环境实测里，双方正式pk，结果令人意外——

光照一变、物体一换、背景一乱，π0.5的平均成功率直接砍半，而WAM-TTT泛化保持率为76%！

想象机器人进家的第一天：你家的马克杯它没见过，厨房灯也偏暖，台面还比它训练时高5厘米。看起来只是这一点细微的差别，但足以让一台千锤百炼的机器人当场卡壳。

对比更鲜明的，是成本。

π0.5落地的成本，高得不可思议：要让机器人走进1000万个家庭，难道得先派1000万个工程师住进去，手把手教它认马克杯？

显然，这根本无法落地。

而WAM-TTT则不同，它可以随时适应一个新场景：只要有人戴上远动相机、或举起手机，随手拍一段自己干活的第一视角视频，机器人看完，就能直接上岗！

不用遥操设备，不用动作标注，也不用停工数天重训。

从此，具身智能从成本极高的遥操式学习，进化为通过视频，一看就能学会。

这个颠覆性的框架，让银河通用让全世界宣告：机器人大规模进入家庭与工厂的商业化临界点，已经真正到来！

训练时精通，部署时不通

在AI领域，Scaling Law通过海量参数与数据驱动能力跃升，已被反复验证。但在具身智能中，这条法则到了后训练阶段，却要直面更复杂的现实考验。

后训练的核心任务，是把模型在模拟试验场里习得的技能，迁移到真实的部署环境中。然而，光照的明暗、物体的纹理与尺寸、桌面高出或低了几厘米……

任何微小的现实差异，都可能让性能显著下降。原因并非技能未被掌握，而是所掌握的技能与特定场景特征过度绑定，难以适应现实场景的无穷变化。

这便是当下具身智能最核心的痛点：训练时精通，部署时不通。

模型学好了技能，却认不出红色的塑料箱，适应不了偏暗的灯光，也跨不过那高出的5厘米。明明会抓，就是抓不到没见过的箱子。

跨环境实测中，以人类视频为上下文的基线方法，性能保留率仅剩14.7%，几乎等于归零；而WAM-TTT则把这一数字拉到了75.6%，压倒性胜出。

传统解法笨拙且昂贵：派工程师扛着VR头显和遥控臂，重新录制轨迹，再花数天重训模型。如此高成本、长周期的流程，机器人最后的泛化性却不尽如人意，成为判机器人规模化部署的瓶颈。

7月15日发布的WAM-TTT，正是银河星脑（AstraBrain）体系下，专门面向规模化部署推出的后训练技术，也是团队对世界-动作模型（WAM）的一次颠覆性创造。

它不需要复杂昂贵的数据采集，不需要动辄数十小时的遥操训练，不需要标注数据。

三大核心突破：

改写具身智能的部署账本

传统的大模型往往只强调「预训练」有多强，却对部署阶段的灾难性表现避而不谈。

而WAM-TTT之所以能被称为新范式，是因为它在测试部署阶段（Test-Time），实现了三大史无前例的底层突破：

数据采集：部署只需人类数据

过去，你要让机器人适应新环境，就必须喂给它「机器人轨迹数据」。这就要求专业操作员像控制提线木偶一样操控机器人，记录下每一个关节的角度、扭矩，成本极其高昂。

而有了WAM-TTT，秘密武器变成了一台普通的运动相机。

在部署阶段，客户只需要让人类走到新的工作台前，随手用相机录制一段人类自己完成该任务的第一视角视频即可。WAM-TTT的自监督视频预测技术，直接从这段人类玩耍的视频中提取特征。

100个新场景，不再需要100套昂贵的遥操设备和数周的停工采集，只需要100段几乎免费的视频。

另外，在控制总数据量恒定的消融实验中，银河通用给出了一个让所有从业者振奋的结论——

在相同的预算下，「100条机器人轨迹 + 100条廉价的人类视频」实现了74.1%的成功率，这与纯用「200条极其昂贵的机器人轨迹数据」（73.7%）性能完全持平！

这意味着，人类视频可以1:1等效替代昂贵的机器人遥操数据。