5 月 7 日，星動紀元宣布，已與清華大學叉院的 ISRLab 合作，開源首個 AIGC 生成式機器人大模型 VPP（Video Prediction Policy）。

VPP 利用了大量互聯網視頻數據進行訓練，直接學習人類動作，減輕了對于高質量機器人真機數據的依賴，且可在不同人形機器人本體之間自如切換，這有望大大加速人形機器人的商業化落地。

在今年的 ICML 2025 中，VPP 從超 12000 篇投稿里脫穎而出，入選占比不到 2.6% 的 Spotlight 論文。

當下，AI 大模型領域有兩大 “巨頭” 流派 —— 基于自回歸的理解模型，比如大名鼎鼎的 GPT；和基于擴散的生成模型，例如 Sora。

GPT 的思路演化到具身智能領域，就是以 PI（Physical Intelligence）為代表的 VLA 技術，它從視覺語言理解模型（VLM）微調而來，擅長抽象推理和語義理解。

而生成式技術與機器人的碰撞，就誕生了 VPP 這樣的生成式機器人大模型。

VPP 分成兩階段的學習框架，最終實現基于文本指令的視頻動作生成。

第一階段利用視頻擴散模型學習預測性視覺表征；第二階段通過 Video Former 和 DiT 擴散策略進行動作學習。

以往機器人策略（例如 VLA 模型）往往只能根據當前觀測進行動作學習，機器人策略需要先理解指令和場景，再執行。而 VPP 能夠提前預知未來的場景，讓機器人 “看著答案” 行動，大大增強泛化能力。并且，VPP 視頻預測結果與機器人實際物理執行結果幾乎一致，能被視頻生成的，就能被機器人執行。

過去訓練機器人策略（例如 VLA 模型），得反復拍很多它干活的視頻，成本高又費時間。VPP 就像個 “超級學霸”，不用盯著機器人實操，直接看網上海量人類干活的視頻，比如掃地、炒菜，就能學會這些動作，提前 “腦補” 接下來場景，比如端水杯前知道可能會灑，提前調整動作。

高頻預測和執行，反應超快不 “卡殼”

以前 AIGC 生成畫面很慢，但往往花費大量推理時間，就像電腦加載視頻要等好久。

星動紀元研究團隊發現，不需要精確地預測未來的每個像素，通過有效提取視頻模型中間層的表征，單步去噪的預測就可以蘊含大量未來信息。

VPP 發現不用把畫面每個細節都精準預測，抓住關鍵信息就行。這樣一來，它預測下一步動作不到 0.15 秒，控制機器人的頻率比普通模型快好幾倍，干活一點不拖泥帶水。

跨本體學習，技能 “共享” 超方便

不同機器人 “身材” “手臂” 不一樣，以前教它們技能很麻煩。

VPP 直接把機器人干活的視頻當教材，連人類干活視頻也能學，就像學做菜，看別人做一遍，自己就能上手。

在測試中，它完成任務的效率比老方法高 41.5%，在仿真測試接近滿分，真機測試成功率也有 67% 。

舉一反三，真實世界表現 “全能”

在真實世界的測試中，VPP 模型展現出了驚人的多任務學習能力和泛化能力，學習成果十分驚艷。

在星動紀元單臂 + 仿人五指靈巧手靈巧手 XHAND 平臺，VPP 能使用一個網絡完成 100 多種精細操作，像疊衣服、擰瓶蓋；在雙臂機器人上，也能熟練搞定 50 多項復雜任務，比如包餃子、擺餐具。

可解釋性與調試優化，問題一眼看穿

VPP 的預測視覺表示在一定程度上是可解釋的，開發者在不通過 real - world 測試情況下，通過預測的視頻來提前發現失敗的場景和任務，進行針對性的調試和優化。

如果機器人干活出錯，VPP 能通過預測的視頻提前發現問題，就像看彩排視頻找漏洞。而以前的模型，得讓機器人反復實操，才能找到問題，VPP 大大節省了調試時間。

如今 VPP 已全部開源，武功秘籍已經免費分享出來了。依托行業持續開源優質模型與技術的強勁動力，機器人技術必將開啟全新篇章，具身 AGI 也將沿著這條創新之路闊步前行。