从“会抓取”到“会做事”：解读逐际动力 COSA 0.5 与人形 VLA V³-0
逐际动力近期发布了COSA0.5的技术报告
官网中文链接: https://limxdynamics.com/cosa05v3/#zh
英文链接: https://limxdynamics.com/cosa05v3/#en
逐际动力的 V³-0 并不主要是在证明“人形机器人也能抓取”。它试图解决的是更难的问题：让人形机器人把视觉理解、移动、双手操作、全身平衡和失败恢复组织成一个连续闭环，在真实空间里完成长程任务。
这也是 COSA 0.5 值得关注的地方。它不是孤立地发布一个视觉语言动作模型（VLA），而是将 VLA、全身运动控制、人类在环干预与真机强化学习串成一套具身智能系统。
先看它展示了什么
报告中的 Oli 是一台 43 自由度人形机器人。演示并非把若干短片拼接起来，而是让机器人在接近三分钟的连续流程中整理房间：收衣物、搬运和堆叠箱子、收拾桌面玩具、扶正椅子、清理垃圾，最后把钱包交给人。
这些动作单独看都不新鲜；难点在于它们彼此相连。
机器人每完成一项，都要重新走近下一个目标、改变朝向、控制头部视野、弯腰、伸手、抓取、放置，再转向新的位置。
任何一次抓空、失衡或陷入重复动作，都会让整条任务链失败。
因此，这份报告的核心命题是：移动和操作不能再被视作两个串接的模块，而应当被统一为同一个全身控制问题。
系统怎么工作：慢理解、快行动、稳执行
V³-0 的架构可以理解为“快慢双系统 VLA + 全身控制底座”。
flowchart TD
U["语言指令"] --> S["V³ 慢系统：视觉语言理解<br/>低频 < 5 Hz"]
C["头部/腕部相机"] --> S
S -->|"任务意图 latent"| F["V³ 快系统：flow-matching 策略<br/>50 Hz"]
C --> F
R["机器人本体状态"] --> F
F -->|"全身动作块：手、腿、躯干、头部"| W["LimX-WBT：全身跟踪与动态平衡<br/>控制频率实时运行"]
W --> O["Oli：43 DoF 人形机器人"]
O -->|"真机 rollout 与状态反馈"| H["人类在环：专家接管/纠正"]
H --> D["失败片段标注 + reward model"]
D -->|"真机 RL 更新"| F
第一层是慢系统。它是视觉语言模型，读取头部和手腕相机画面以及语言指令，压缩生成任务意图表示。由于场景语义和任务规划不必每秒刷新数十次，它可以低频运行。
第二层是快系统。它接收慢系统的 latent、实时相机画面和机器人状态，并以 50 Hz 生成短时的全身动作块。关键是，这个动作空间不只包含手部位姿，还包含双腿、躯干和头部目标：人形机器人要拿远处物体，先要走过去；走动中还要通过主动转头持续看住目标。
第三层是 LimX-WBT（Whole-Body Tracker）。上层只表达“我希望身体如何运动”，WBT 负责在真实机器人上把这些目标追踪出来，同时维持平衡。伸手、迈步、深弯腰都会改变质心，若让导航控制器、手臂控制器和稳定控制器在接口处分别协调，系统很容易出现冲突。V³-0 的选择是让一个全身跟踪 器统一处理这件事。
这套设计的真正价值：把延迟隔离在正确的位置
大模型擅长理解指令和场景，但天然不适合直接承担高频控制。
控制回路若等待大模型推理完成，机器人面对人靠近、物体位移、摩擦变化或自身执行偏差时就会反应太慢。
V³-0 的快慢拆分并非只是“节省算力”：它把语义推理的延迟隔离在慢系统，把对现实世界变化的响应交给快速策略。快系统既读取高层意图，也重新读取实时视觉和本体状态，因此无需盲目执行上一次计划。
这是一种比端到端单一 VLA 更实用的工程路线。前者追求一个模型直接完成全部映射，后者承认不同问题有不同时间尺度：理解可以慢，动作不能慢，动态平衡更不能慢。
从演示到数据飞轮：人类在环并不是“遥控兜底”
报告的另一个重点是人类在环与真机强化学习。基础策略先由专家全身遥操作数据进行模仿学习；之后机器人自主 rollout。发生关键偏差时，专家可无缝接管全身控制，完成纠正后再把控制权交回策略。
这些数据不是只为了救场：自主运行中的失败片段会被人工标注，训练 reward model；再由 reward model 对任务进展逐时刻评分，转化为策略更新信号。如此形成“演示—自主运行—失败标注—人工纠正—真机 RL”的闭环。
这一点很关键。人形机器人最昂贵、也最稀缺的是带有接触、平衡、执行器误差和失败恢复过程的真机交互数据。
若人工接管可以低摩擦地嵌入运行过程，它就能同时提升安全性与数据密度。
报告给出了哪些证据
官网报告称，真机 RL 更新后，三个任务的表现均超过 behavior cloning（BC）基线；其中 basket cleanup 的成功率从 18.01% 提升至 74.00%，汇总失败率从 39.65% 降至 11.33%。
这至少说明，在其设定的真实任务中，基于失败状态和人工纠正继续训练是有效的。
在底层跟踪上，报告还将 LimX-WBT 与在同一机器人上复现的 SONIC 作内部对比：MPJPE 从 13.75 mm 降至 12.85 mm，MPJAE 从 3.3° 降至 1.5°，关节与底盘运动 jerk 也更低。
这意味着它不仅更贴近目标姿态，也没有以更大抖动为代价。
但这些数字应被理解为厂商技术报告中的内部证据，而不是独立 benchmark 排名。报告没有完整给出评测样本量、方差/置信区间、跨平台实验或第三方复现结果。
它与常见“机器人演示”有什么不同
许多机器人演示真正展示的是单点能力：固定位置的抓取、短距离行走，或事先布置好的桌面操作。V³-0 的差异在于，它把下列能力同时放入同一任务链：
长程性：多步任务无中途复位，整体成功率是各步骤成功率的乘积；
全身性：深弯腰、走近、转身与双手操作都影响平衡；
反应性：快系统持续根据实时视觉和本体状态更新动作；
恢复性：抓取失败后可以重新调整，而非立即任务终止；
数据闭环：失败不是演示之外的噪声，而是后续训练的输入。
换言之，项目试图从“完成一个预定义动作”走向“在一个空间中持续完成事情”。
给我们带来的启示
这份报告的工程方向是可信、且有价值的。
虽然它距离实际场景尚有距离，但是让我们看到“通用人形机器人”的一种可能性。这个报告给我们的启示：
第一，泛化边界如何拓展。报告展示了物体颜色、位置和少量未见物体变化，但主要场景仍是室内整理；面对强遮挡、拥挤人群、柔软物体的大形变、复杂接触力控制或长期环境变化，可靠性如何仍待验证。
第二，长程成功率需要更严格的统计。一次三分钟一镜到底的演示很有说服力，但不能替代跨天、跨场地、跨操作者、跨机器人本体的大规模重复测试。
第三，系统的成本与可复制性依然是业界的挑战。快慢模型的端侧算力、失败恢复对人工介入的依赖比例、数据采集成本，以及 WBT 对不同硬件的迁移代价，都会决定它能否从样机走向部署。
第四，当前亮点是系统集成，而非每个组件都前所未有。VLA、flow matching、全身控制、人类在环和真机 RL 各自都有既有研究。真正应被检验的是：这套系统架构如何稳定扩展到更多任务，且每一层的改进能否带来可复现的端到端收益。
结语：人形机器人的下一道门槛是“连续可靠”
COSA 0.5 与 V³-0 给出的不是“一个模型会多少技能”的答案，而是一条更接近产品化的路线：高层语义理解不阻塞低层运动，移动与操作不再分家，失败被捕获并转化为新的真机训练信号。
如果这套闭环能在更广泛的场景、更多机器人和更严格的第三方测试中站住脚，它的意义将不只是让 Oli 多完成几项家务，而是为人形机器人提供一种可持续积累能力的操作系统范式，从演示驱动，走向真实世界。