您的位置首页 >机器人 >

拿下 Fable 5.2 榜单第一,方案绕过 VLA、WAM 选用旧版 Claude

在 Fable 5.2 评测榜单当中,有一支队伍拿到了第一名,这套方案没有采用当下热门的 VLA、WAM 这类主流视觉动作模型,反而是依靠旧版 Claude 完成任务,这个结果打破了行业默认思路,证明不靠专门训练的具身视觉动作模型,仅凭成熟大模型搭配合适的调度流程,也能在 Fable 5.2 这类具身智能评测里跑出顶尖成绩,给正在做具身评测攻关的研究者提供了一条完全不一样的技术路线。

为什么这套路线可以甩开 VLA、WAM 拿到榜首

现在大多数冲刺 Fable 这类具身榜单的团队,首选都是专门针对视觉动作优化的 VLA、WAM,大家默认专用模型更适配机器人任务,但这套夺冠路线换了思路。

  • 避开专用模型短板:VLA、WAM 虽然面向具身任务,但是泛化有限,遇到陌生指令、复杂长逻辑容易出错;
  • 发挥 Claude 的强推理优势:旧版 Claude 长文本逻辑、任务拆解能力扎实,擅长读懂复杂任务描述,输出细致的行动规划;
  • 重流程而不是重模型:整套方案的重点不在模型微调,而在提示词工程、状态追踪、子任务校验;
  • 评测本身偏向规划:Fable 5.2 大量考验任务推理、步骤编排,不完全依赖低延迟原生动作输出,刚好适合大模型做顶层规划。

它并不是用旧版 Claude 直接驱动电机,而是让它充当任务规划大脑。

这套夺冠方案的运行链路

整套流程把规划和底层执行拆开,分工很清晰。

  • ① 获取环境画面、任务文本,把信息整理之后送入旧版 Claude;
  • ② Claude 解析目标,把复杂任务拆成一串可执行的子步骤;
  • ③ 输出结构化行动指令,交给底层执行模块;
  • ④ 执行模块完成动作之后,回传新的观测画面与状态;
  • ⑤ 如果任务卡住或者环境变化,再次调用旧版 Claude,重新调整后续步骤。

VLA、WAM 习惯把视觉、推理、动作打包在一起,而这个方案走的是 “大模型做规划 + 独立执行层” 的分离架构。

对具身评测赛道带来的影响

这个结果提醒行业,具身智能竞赛不是只有训练专用视觉动作模型这一条路。在侧重任务理解、长链条规划的评测里,成熟通用大模型依然具备很强竞争力。当然这套方法也有明显局限,调用通用大模型延迟更高,很难适配高速动态操作;放到真实工业、家用机器人场景,落地难度会远高于封闭评测环境。它更适合作为一种评测攻关思路,不能直接当成量产机器人的标准方案。

【常见问题】

问题 1:拿下 Fable 5.2 第一、不走 VLA 和 WAM 的方案,是直接用旧 Claude 控制机器人运动吗?

回答 1:这套拿下 Fable 5.2 第一、不走 VLA 和 WAM 的方案,不会用旧 Claude 直接控制机器人运动,旧 Claude 负责顶层任务规划,动作交给单独的底层执行模块。

问题 2:为什么在 Fable 5.2 里,旧版 Claude 的路线能超过 VLA、WAM?

回答 2:Fable 5.2 更看重长任务拆解和逻辑规划,这套路线充分发挥旧版 Claude 的推理能力,避开了 VLA、WAM 在陌生长任务上泛化不足的短板,因此拿到更高分数。

问题 3:这个不走 VLA、WAM,依靠旧 Claude 拿下 Fable 5.2 第一的方案,可以直接用到真实机器人产品吗?

回答 3:这套不走 VLA、WAM,依靠旧 Claude 拿下 Fable 5.2 第一的方案,是针对 Fable 5.2 封闭评测环境打磨的,存在延迟高、成本高等问题,很难直接迁移到量产机器人产品。

【参考资料】

[2026-11-16](Fable 5.2 榜首方案曝光:放弃 VLA、WAM,选用旧版 Claude)具身智能前沿

[2026-11-16](Fable 5.2 评测出新黑马,通用大模型路线击败专用 VLA)AI 评测快讯

【免责声明】

本内容仅为技术评测资讯科普,不构成模型选型、科研复现以及项目投资建议;该 Fable 5.2 榜首方案的完整细节、复现难度、在其他具身基准上的表现,以对应研究团队公开论文与代码为准;评测成绩仅代表在 Fable 5.2 指定环境下的结果,不代表该方案在全部具身任务中优于 VLA、WAM。

今日大家都在搜的词: