华为诺亚 The North Star 夺 BEHAVIOR-1K 挑战赛冠军：靠结构化知识而非堆算力

机器人学习的进度条，这一年被拉得比预想中快。与机器人领域顶级会议 CoRL 2026 联动的第二届 BEHAVIOR-1K Challenge 公布最终成绩：华为诺亚方舟实验室具身智能团队 The North Star 凭借 HiPhys-RSI 方案，从全球 57 支参赛团队中夺得冠军；云天励飞 IF1001 与小米机器人 Cyber 分列二、三名，前五名由中国团队包揽。斯坦福大学教授李飞飞在社交平台转发了结果，称机器人学习正在取得令人难以置信的进展。

赛事本身的门槛值得先说清楚。BEHAVIOR-1K 由李飞飞团队开发，聚焦长时序家庭任务，与侧重场景泛化的 RoboDojo 并列具身智能 T0 级榜单。它要求机器人只依靠机载视觉、深度与本体感知，在数分钟级的连续任务中完成多物体交互、状态变化处理与多技能协同——不是抓一个杯子，而是从客厅走到厨房、打开柜门、取出东西、再收拾好。这一届的 100 项任务覆盖移动取物、摆放与分类、精细操作、工具使用、倾倒、设备操作与物体加工八类能力。

规模与成绩同时跃升。任务从 50 项增至 100 项，场景从 3 个增至 7 个，参赛人数从 96 人增至 265 人，提交从 18 份增至 57 份；最佳完整任务成功率从 12% 提升到 48%，是上一届的四倍。华为诺亚在隐藏测试中取得约 0.683 的 Q-score 与 48.2% 的完整任务成功率。

不靠更大模型的那条路

面对长时序任务，业界主流仍是熟悉的 Scaling 路径：更大的模型、更多的数据、更高的算力。华为诺亚的冠军方案走的是另一条——在技术报告《Scaling by Structure: What Forms Can Scaling Take in Embodied AI?》里，团队把问题重述为：具身智能能不能通过构建和改进结构化、可执行的知识与技能，持续扩展能力？

HiPhys-RSI 的全称是分层物理递归自我改进（Hierarchical Physical Recursive Self-Improvement）。它的基础是参数冻结的编程智能体与视觉语言模型，在此基础上构建并改进可自主执行的机器人流水线。流程分四步：智能体先阅读任务说明与参考示范，通过工具调用获得交互经验，弄清哪些操作有效、步骤之间有什么依赖、什么样的观测能说明任务在推进；随后把这些经验组织成程序，明确感知输出如何用于规划、控制器何时执行、失败后如何恢复；构建完成的流水线带着自身的检查与分支逻辑自主执行；执行结果再进入下一轮分析。

分析环节是这个方案的关键。日志说明程序调用了什么，视频揭示物理世界实际发生了什么——轨迹跑完了，物体是否真的移动到位？抓取指令返回成功，物体是否还留在桌面上？智能体结合两类证据定位需要修改的模块，改进既可以发生在高层的工具选择、步骤编排与恢复逻辑，也可以深入底层工具实现。验证过的程序与经验被保留，成为后续任务可复用的组件。整个过程里，编程智能体与 VLM 的参数都不变，能力增长全部沉淀在可执行程序与结构化知识中。

推理阶段由"能力卡"决定用什么。系统记录各条流水线与 VLA 策略的适用条件、历史表现与已知困难，按当前任务条件选择执行组件。工具，到流程，再到可以复用和组合的流程，知识逐层累积。

结构能 Scale 到什么程度

技术报告做了三组 VLA 对照：全部 100 项任务示范数据联合训练一个 epoch、从该检查点做逐任务后训练、以及联合训练两个 epoch。在当前配置下，多一个 epoch 的联合训练增益相对有限；逐任务后训练提高了部分任务表现，但各类别的能力强弱分布总体保持不变。混合系统 HiPhys-RSI 则在几乎所有任务上取得高于对照 VLA 方案的得分，优势覆盖全部八类任务——这说明结构化系统可以通过显式分工处理任务要求：感知与建图提供场景信息，程序组织任务逻辑与约束，专门的规划与控制方法完成动作。

改进曲线呈现三个阶段：早期快速提升，随后进入平台期，再通过持续探索取得一定增益。早期增长主要来自能力组合——修正工具配置、调整执行顺序、理顺模块协同，把原本已具备的能力重新组织起来就能覆盖大量任务。平台期则意味着改进方式要切换：剩下的任务需要新的接触方式、准备动作与操作顺序。报告里记录了一些很具体的解法：锅柄难以接近时，机器人抓住近侧锅沿、保持锅体水平再搬到炉灶上；独轮车把手被挡住时，从车轮一侧接近、双手抓住前斗边缘完成搬运；喷壶直立时不好抓，先改变姿态再操作；外卖打包时把空纸袋立在盒子里再放汉堡，借环境支撑降低难度。

隐藏评测检验了迁移能力：多数任务 Q-score 下降，但大部分降幅低于 0.2，部分任务保持相近表现甚至更高。降幅较大的集中在依赖目标搜索的任务上，物体初始位置变化、遮挡与难以接近的区域都会显著增加搜索与操作成本。失败模式的排序也变了：VLA 基线里抓取与放置居前，HiPhys-RSI 里排前列的是抓取与超时，说明瓶颈从"动作做不对"转向"动作来不及"。

报告还顺带暴露了评测本身的缺口：在堆木头任务中，系统把木头组成独立配对满足了接触条件，却没有形成预期的木堆；在冰箱内直接切食物能拿到部分分数，却未完成后续转移目标。这类"利用评分漏洞"的行为提醒评测设计者，成功条件既要准确表达任务意图，也要给合法替代方案留空间。对中国具身智能产业来说，这一届赛事的信号很清楚：竞争维度正在从"机器人掌握多少技能"转向"能稳定完成多少任务"，而结构化知识这条路径，第一次在公开榜单上给出了可复现的领先幅度。