VPP入选ICML2025 Spotlight！清华、星动纪元开源首个AIGC机器人大模型

“来碗热乎的鸡汤吧。”过去你说这话，AI能给你整出一个鸡飞狗跳、感人肺腑的视频剧本。但现在，这话要是对着你家客厅里那台新买的机器人说，说不定它真能端碗热汤来。这不是科幻片情节，而是实打实的科技落地了。

我一开始看到这个技术的时候，还以为是哪个 AI 视频生成又出新花样了，结果一看，是清华叉院和星动纪元整出来的机器人大模型 —— VPP（Video Prediction Policy），直接在 ICML 2025 拿了 Spotlight 奖，简直是机器人界的“Sora”。有图有真相。

AIGC 不止造梦，现在能造动作

这模型牛在哪？你还记得 AI 视频模型 Sora 吧？靠着扩散模型玩得风生水起，生成视频跟电影一样精美。现在这个 VPP 就是把“生成视频”这事，直接让机器人模仿起来了。别再手写动作脚本了，喂个视频进去就能让机器人学会动作，这效率不比程序员亲自调试高多了？

更神的是，VPP 不光学得快，还能通用不同类型机器人。你今天给个双足人形，明天换成机械臂，它都能一键适配，简直像是“机器人GPT”，全能型选手。

机器人也能“提前看答案”？！

以前机器人执行任务，先看环境再慢慢理解你说了啥，边想边动，像个刚醒的大学生，慢吞吞地干活。而 VPP 不一样，它能预测未来的场景，你刚说“给我倒杯水”，它脑海里的视频已经演完了——手伸过去，瓶子拿起，杯子倒满。这操作熟练得像是在抄答案，当然就比别人快。

预测和执行的结果基本一模一样，就像你看电影里的动作场景，机器人直接照着演。

动作不但准，还快得飞起

之前的视频生成模型虽然好看，但推理时间拉垮，一段视频能生成个几分钟，你人都等得快睡着了。VPP 则是把视频生成的中间过程做了优化，直接提取最有用的信息，一步预测未来几帧，然后马上行动。

单步预测只要 150ms，控制频率能到 50Hz，机器人动起来比我打字还快（真的，我敲个回车得0.5秒），而且不卡顿、不宕机。

不同机器人间“知识共享”，无缝衔接

这点让我有点羡慕了——人还要用翻译软件交流，机器人却已经能无障碍跨设备学习。VPP 直接甩开了传统模型的限制，不管是仿人机器人还是机械臂，甚至你的视频里是人类本体都没关系，它都能学。

反正你只要能把动作录成视频，它就能学个八九不离十。低成本、高效率，把一整套机器人训练流程从“编程”升级成“看视频就会”，AI打工人的春天来了。

不是吹，测试成绩是真的猛

在行业标准 Calvin ABC-D 的测试里，VPP 拿了 4.33 的平均任务完成分，几乎满分。而同类模型只能混个 3 点几，差距不是一点点。

不止仿真环境，它在真机测试上也表现出色，67% 的成功率，其他模型看了直接沉默。

实战中的全能选手，干啥都行

这个模型不是只会做实验室里的搬砖任务，在真实环境下，VPP 在 XHAND 这个五指灵巧手平台上一口气做了上百种任务：抓东西、堆积木、倒水、拿工具……说实话，这些活儿换我我都不一定干得过它。

在双臂人形机器人平台上，它也能搞定 50 多种复杂操作。我们还在教孩子绑鞋带，VPP 已经能用两只“手”配合组装玩具了。

可解释性让调试不再靠玄学

最后一点特别实用：你不需要一直等机器人真机执行失败才去修它了。VPP 生成的视频预测本身就能看出哪里可能出错，提前规避，省下大量调试时间。相比之下，那些 VLA 模型只能靠真机碰撞测试，调一次出汗三次。

我的一点感想

说真的，从我最开始写 AI 技术相关内容到现在，见过无数“黑科技”模型，但能让我在一分钟内脑补出“机器人像人一样理解世界并执行任务”的模型，VPP 算是第一个。

而且它不仅是炫技，还真把复杂的感知-理解-执行流程简化了，大大提高了可落地性。开源的部分也做得很良心，完全可以作为从学术到产业转化的典范。

不吹不黑，如果你对机器人操作有兴趣，或者本身就做这方面的研究，VPP 的项目主页和代码仓库值得你一键三连：

未来也许真不是我们养机器人，而是机器人照顾我们了。你说，现在是不是该去给自己整一台“VPP 上岗”的 AI 小管家？