从VLA到WAM，主流的模型都在通用的基座模型作为base model去改造，但通用基座模型真的靠谱吗？

所谓的具身基模又真的训对了吗？

当一个基座模型被改造成 VLA、承担 System 1 的执行角色时，最需要的究竟是什么能力或数据？

人类整理拥挤的桌面，需要先找到杯子和把手，再决定怎样抓取——先明确 where to act，再学习 how to act。

今天的 VLA 与WAM大多沿用通用视觉语言或视频生成基座，它们的预训练目标并非为物理交互所需的精确定位而设计。

这个 mismatch，可能让稀缺的动作数据同时承担感知学习与动作学习的负担。

近日，来自小鹏、北京大学、香港大学等海内外高校的研究团队从这一问题出发，通过 Grounding 预训练，涌现基模的原生 perception能力，也作为将VLM空间智能逼出来的训练方式：所谓 Grounding，就是让模型不仅能理解图像中“有什么”，更能根据语言指令，利用point、bbox 等视觉基元（Visual Primitives）精确指出“具体在哪里”。

这种看似基础的视觉定位任务，实际上通过显式的空间监督，倒逼 VLM 建立细粒度的视觉、语义与空间对应关系，将空间感知训练为基模的原生能力。

在此基础上，研究团队进一步检验：这种先训练广泛、精确的感知，再学习行动的路线，究竟能为具身动作学习带来什么，为具身基模设计带来什么？

项目由国内外知名高校合作进行，第一作者兼 Project Lead为Qize Yu，通讯作者为黄世宇与 HKU MMLab 罗平教授，Grounding DINO的作者刘世隆老师也参与研究。

GroundingPI 论文：https://arxiv.org/abs/2609.39601
项目主页：https://groundingpi.github.io/
开源代码：https://github.com/groundingpi/GroundingPI
模型权重：https://huggingface.co/GroundingPI/GroundingPI


我们看到，GroundingPI 在 34 项横跨 Grounding、Pointing、OCR 等 11 类能力的榜单中，展现 Grounding 预训练带来的强大感知能力：在 34 项基准、44 个对比Baselines 的评测中，4B 体量的 GroundingPI 的综合得分达到 73.68%，甚至超过 GPT-6 Astra（High thinking） 的 71.54%。这个均值按 11 类能力统计，体现的是广泛感知能力的综合优势，可以说当下Grounding模型新SOTA。

从 π0.5 的设计哲学，到原生 Grounding 基座模型

Grounding 在具身学习中的价值，其实已在 π 系列中显现。π0.5 将 bounding-box 预测纳入训练：先定位相关对象，再预测高层子任务，这可以被理解为一种感知锚点（semantic anchor**）**，让语言语义对应到当前画面中的具体对象与位置，这在PI的研究中也有披露，并且在Qwen-RoboManip、G0.5等旗舰模型的设计中也可以看到Grounding的影子。

为什么需要锚点？“图里有一个杯子”是正确的语义理解，执行却还需要知道“哪一个杯子、把手在哪里”也作为训练时VL表征的损失来源（避免被破坏）。GroundingPI 研究团队进一步将问题前移到预训练：用统一的量化坐标词表表示点和框，将多种感知任务组织为语言条件下的结构化生成，结合多模态与空间预训练、监督微调和 GRPO 强化学习。

我们在与研究团队的交流中得知，这轮探索投入了千卡级资源，这使得研究得以真正围绕预训练进行系统性消融研究。围绕这一感知基座，论文进一步提出四个与具身训练直接相关的问题。

01｜34 个榜单SOTA之外，Grounding 能让机器人更会动手吗？VLA 基座究竟怎么选？

如何判断一个基座是否真的适合具身执行？ 只比较不同 VLA 的最终成功率，很难区分提升究竟来自基座能力、动作模型，还是训练数据。他们采用了更直接的验证方式：在各机器人操作基准内固定 Action DiT、动作数据与训练预算，只更换预训练基座，对比通用 VLM、视频生成模型、grounding 模型与具身基模在机器人操作和自动驾驶两个物理AI场景的表现。

在 RoboTwin 2.0 和 RoboCasa-GR1 的操作评测中，GroundingPI 在全部四种分布外（OOD）设置下领先；其中，RoboTwin Clean2Random 的成功率较次优相对提升 24.8%。驾驶部分则通过 nuScenes 的开环轨迹预测检验迁移表现。研究团队据此指出，选具身基座还要直接看这些 Grounding 感知能力能否帮助机器人应对泛化测试。

在 RoboCasa-GR1 数据效率实验，GroundingPI 仅用 50% 的机器人演示数据，就超过所有使用 75% 数据的对照基座。研究团队由此提出，动作数据不足时，不应只考虑增加示范，也值得检验能否通过补强基座感知，让同样的动作数据发挥更大作用。

Takeaway 1｜把“选基座”变成迁移实验。 在相同动作头、相同数据与预算下，比较任务成功率、OOD 泛化和动作数据效率，才能判断一个具身基模是否适合具身执行！

02｜Grounding 预训练的 Scaling 能否迁移到具身训练的 Scaling？

把感知预训练做大，下游动作学习会一起变好吗？

研究团队接着逐步增加 grounding 预训练规模，同时保持下游动作学习配方不变，观察感知与操作表现如何共同变化，Grounding 预训练的 token 数据量逐步扩大，RoboCasa-GR1 的 OOD 平均成功率提高约 6.8 个百分点。研究团队据此强调，泛化收益与感知进步保持了更一致的趋势，这组结果支持感知预训练的规模收益能够迁移到动作学习。

Takeaway 2｜用下游泛化衡量感知 Scaling 的价值。 增加感知预训练的投入，可以成为改善具身学习的一条路径，Grounding可能是很好的选择。

03｜Grounding 预训练配比具体拆分下，什么数据在具身基模中发力？

除了 basic grounding，哪些数据配比监督最值得加入训练配方？

研究团队接着将数据拆成基础与密集 grounding、指代、点选，以及 OCR／布局／GUI 等任务组，考察它们对机器人操作和自动驾驶的影响。

（1）Dense & tiny：交互需要更细的空间分辨力

**在 RoboCasa-GR1 的 OOD 设置下，从完整配方中移除 Dense Grounding，**操作 ID/OOD 成功率分别下降 4.67／3.47 个百分点，驾驶误差也上升。 直观地说，同样偏移几个像素，小物体更容易定位失败；目标越拥挤，越需要把相邻实例分开。Dense 与 tiny 的共同要求，是精细的空间辨别能力，其实看前面的实验，这恰恰是传统通用模型及其欠缺的，哪怕强如 GPT-6 Astra。

（2）OCR：感知学习的潜在催化剂

包含 OCR 的辅助组，单独训练效果有限，加入组合却明显受益。 移除它，操作 ID/OOD 成功率下降 5.33／3.63 个百分点；只用这一组，OOD 成功率仅为 7.28%，几乎崩塌。

OCR 的有趣之处在于 “催化”：字符边界要求局部精度，文字转录又把视觉区域与语义绑定，形成细粒度图文对齐的 proxy task，可能放大空间监督的收益。实验支持这种互补性，但 OCR 的独立催化机制仍是待验证的假说，文章中也做了一些数学的推论证明。

Takeaway 3｜按互补能力组织数据，而不只按任务标签堆量。 Basic grounding 打底，dense & tiny 强化空间辨别，OCR 等辅助监督可能催化表征学习；关键是组合后能否让动作学得更好。

04｜具身基模的什么架构设计还会影响？

**基模的架构设计会不会也影响具身训练迁移？**一个有趣的发现是，在论文相同下游适配设置中，RynnBrain1.1 在六种操作设置上均低于 RynnBrain，却改善了驾驶表现。新版本不一定带来一致的动作迁移收益。

（1）GDN 与门控：空间细节能否被保留和读出；RynnBrain1.1 的 Qwen3.5 基座引入 Gated DeltaNet 与门控注意力。论文一些数学形式化证明和实验结果分析指出了这一设计在接入VLA改造时可能存在的负影响。

（2）DeepStack：更多视觉特征，是否更容易用于动作；DeepStack 将中间视觉特征注入多个语言层，丰富视觉信息，也可能增加多层特征与动作头之间的对齐需求。

文章同样做了一些数学形式化证明和分析，并且模型特意将 ViT 换位 MoonViT-V2（无 DeepStack）而非 Qwen3 ViT（哪怕可能带来极大成本预训练）。

但这些也只是研究团队的理论验证和假说分析，现有跨模型比较同时改变了数据和基座等因素，支持的是进一步研究这些机制，尚不能把排名差异归因于某个模块。

Takeaway 4｜对具身开发的启示：架构要看“动作头能否用好表征”。 除通用能力外，还应检验空间信息的保留、特征读出和有限动作数据下的对齐效率；用控制变量实验判断结构选择，而不是按版本新旧推断迁移能力。

回到 Sys 1 与 Sys 2：具身基模们应该怎样分工？GroundingPI团队的一些设想

研究团队进一步提出，承担不同系统角色的模型，可能需要不同的能力优先级。在他们的设想中，Sys 2 侧重知识密集的推理与长程规划，Sys 1 则更需要“根据眼前场景，及时、准确地执行”。团队将 GroundingPI 定位为后者的感知基础，希望与 Astra 等承担高层推理和规划的模型形成互补，而不是让同一种基座包办所有能力。

研究团队将这些结果概括为一条训练思路：**把有限算力投入执行真正需要的感知能力，让精准 grounding 成为具身基模的原生能力，再用下游动作迁移检验训练是否有效。**通用能力更强，并不自动等于具身执行所需的感知更强；论文没有独立消融数学或代码训练，也不否定它们对 Sys 2 的价值。

GroundingPI 本身仍是感知基座，需要接入动作学习才能形成策略；驾驶结果来自开环评测，真实闭环执行与端到端时延仍需进一步验证。它给出的答案，是一条可以系统检验的路线：先建立精确感知，再学习行动。

同时，文章也提出了两个假说的观点（仅供Discussion）：

（1）当下通用基座模型的预训练厂商们更多关注 Agent 等场景的价值，而忽略了模型本身感知的潜力，但是当模型真正被改造为 Sys1 的 VLA 时，快系统并不允许类似 Agent 那样多轮的执行，单次的原生感知反而是最有价值的能力，研究团队认为 Sys1 的 VLA 将成为像 Code Agent 那样的代码执行器，需要快速度和高成功率，需要在有限时间内看准并行动。

而一些具身基模关注机器人下的规划、理解可能对于真正的 VLA 直接动作执行并不本质相关，但或许是可以成为 Sys1 和 Sys2 之间的产物。

（2）Grounding为什么能成为逼出基模空间感知能力的关键预训练，而不是3D bbox、depth等，文章认为Grounding数据量大且易于训练，而3D bbox、depth数据量相对更少，并且绝对数值的 3D bbox、depth 不是很本质，因为人类也拿不准；比如30米外和25米外，对于人类感知不强烈；但是loss惩罚却是5米；并且很难设定一个对场景相关的距离下的阈值来确定loss，depth同理，相对值反而可能是很好的方向。

友情链接：GroundingPI研究团队的同系列 GroundAnything 聚焦 grounding 工具模型的速度瓶颈，在论文的 30 项基准综合评测中超过之前的SOTA模型 LocateAnything，并提供进一步提升吞吐的自推测解码方案。

GroundAnything 论文：https://arxiv.org/abs/2609.39600
GroundAnything 主页：https://groundingpi.github.io/groundanything/