香港科技大学(广州)联合欧拉万象(OLA Dimensions)发布 SLA 空间 - 语言 - 动作模型,SLA-Preview 版本在 RoboDojo-Real 真机榜单拿到第一名,平均得分 42.3 分,完整任务成功率 33.9%,是基准基线 π0.5 的 2.6 倍,这套模型的核心改进就是在训练阶段加入三维空间监督,让机器人不光看懂画面,还能理解物体位置、距离、几何关系,就算目标物体被挪动、工作台高度变化,机器人依旧可以调整动作完成抓取、交接、放置等操作。现在多数 VLA 视觉语言动作模型,训练重点放在语言和动作匹配上,缺少稳定的三维空间约束,一旦现场物体位置、环境结构发生变动,模型很容易抓空、定位跑偏,泛化能力很差;SLA 的思路是把三维空间监督贯穿预训练和下游微调两个阶段,依靠 OmniVGGT 三维感知模型提供空间对齐信号,学习物体、夹爪、环境之间的空间关联,而且这个三维辅助模块只在训练阶段生效,真机推理的时候不会额外增加算力开销。整套模型在 8 类真机任务里,物体级平均成功率达到 83.8%,对比 π0.5 提升 24 个百分点,同时在 LIBERO-Plus、RoboCasa-Panda 这些仿真基准上也拿到不错成绩,论文、代码、权重已经对外开源,方便其他科研团队复现、二次开发,为具身智能 VLA 模型的空间泛化问题提供了一条可行的技术路线。
一、SLA 模型基础信息清单
- 模型全称:Spatial-Language-Action Model(SLA,空间 - 语言 - 动作模型)
- 研发主体:港科广(香港科技大学广州)、欧拉万象 OLA Dimensions
- 评测榜单:RoboDojo-Real 真机榜
- 上榜版本:SLA-Preview
- RoboDojo 真机成绩:平均分 42.3,完整任务成功率 33.9%
- 对比基线:π0.5,基线成功率 12.8%
- 配套辅助模型:OmniVGGT(仅训练阶段提供三维空间监督)
- 开源状态:论文、代码、模型权重公开
- 核心测试任务:动态抓取、物体双手交接、升降桌面自适应放置等
二、SLA 模型和传统 VLA 模型对比表
| 对比项 | 常规 VLA 视觉语言动作模型 | 港科广 × 欧拉万象 SLA 模型 |
|---|---|---|
| 训练约束 | 主要对齐语言、视觉、动作,缺少三维空间监督 | 预训练 + 微调双阶段都加入三维空间对齐损失 |
| 环境变动适应性 | 物体移位、高度变化后容易定位失败 | 可以自主适配物体位置、工作台高度变化 |
| 推理开销 | 推理阶段开销固定 | 训练有三维辅助,真机推理不增加额外算力 |
| 学习重点 | 看懂画面、匹配指令动作 | 理解物体之间几何、距离、位置空间关系 |
| 泛化短板 | 静态场景效果好,动态扰动容易失效 | 面向真实物理扰动,提升跨场景操作稳定性 |
三、SLA 模型完整训练与真机推理流程
- 数据输入:采集机器人操作视频、相机内参、深度图、动作轨迹数据
- 空间监督对齐:OmniVGGT 提取三维几何信息,生成空间对齐损失
- 持续预训练:结合动作损失 + 三维空间损失,学习通用空间表征
- 下游微调:针对抓取、放置等任务继续保留空间监督,优化任务策略
- 真机部署:去掉 OmniVGGT 辅助模块,只保留主模型直接接收图像和语言指令
- 闭环执行:模型输出夹爪目标位姿,机器人执行动作,应对现场空间扰动
四、适配基准与测试场景清单
- 真机基准:RoboDojo-Real(8 类真机操作任务)
- 仿真基准:LIBERO-Plus、RoboCasa-Panda
- 典型扰动场景:目标物体被移位、工作台升降、物品位置随机变化
- 机器人能力:单臂抓取、双手交接、物体分类放置、长流程操作
【常见问题】
问题 1:港科广联合欧拉万象的 SLA 模型,在 RoboDojo 真机榜取得了什么成绩?
回答 1:港科广联合欧拉万象的 SLA-Preview 登顶 RoboDojo-Real 真机榜,平均分 42.3 分,完整任务成功率 33.9%,成功率是基线 π0.5 的 2.6 倍,8 类真机任务物体级平均成功率 83.8%。
问题 2:SLA 模型为什么能让机器人更懂三维空间,核心技术思路是什么?
回答 2:SLA 模型在预训练和下游微调两个阶段都增加三维空间监督,借助 OmniVGGT 提供几何对齐信号,让模型学习物体、夹爪、环境之间的位置距离关系,面对物体移位、高度变化这类扰动依旧可以正常操作。
问题 3:SLA 模型在 RoboDojo 真机评测里,和普通 VLA 模型最大差别在哪?
回答 3:普通 VLA 模型大多只匹配图像、语言和动作,缺少空间约束,环境一变就容易失效;SLA 模型重点强化三维空间表征,专门应对真实场景里的空间扰动,真机泛化能力更强。
问题 4:SLA 模型训练用到的 OmniVGGT,在机器人真机运行的时候还需要吗?
回答 4:OmniVGGT 只在训练阶段提供三维空间监督,机器人真机推理部署的时候不需要加载这个模块,不会增加模型运行的算力开销。
问题 5:港科广与欧拉万象联合推出的 SLA 模型是否开源,有哪些基准做了验证?
回答 5:港科广与欧拉万象的 SLA 模型论文、代码、权重已经开源,除了 RoboDojo 真机榜,还在 LIBERO-Plus、RoboCasa-Panda 仿真基准上完成验证。
【参考资料】
[2026-11-12](SLA 登顶 RoboDojo 真机榜!港科广联合欧拉万象,让机器人更懂三维空间)新浪财经
[2026-11-12](SLA 登顶 RoboDojo 真机榜!港科广联合欧拉万象,让机器人更懂三维空间)AI TNT
[2026-11-10](真机成功率达 π0.5 的 2.6 倍!港科广 × 欧拉万象 SLA 登顶 RoboDojo)深蓝学院
[2026-11-08](港科广联合欧拉万象提出 SLA 探索机器人的三维空间学习)Xbotics 社区
[2026-11-09](SLA: Scaling Spatial-Language-Action Model via Continual Pre-training)arXiv
【免责声明】
本文内容基于港科广、欧拉万象公开论文、开源项目、行业媒体报道整理;SLA 模型当前为科研版本,RoboDojo 真机榜成绩是特定测试环境下的评测结果,实际落地效果会受机器人本体、传感器、现场工况影响;本文仅作为具身智能技术科普,不构成项目开发、硬件采购、投资建议,模型参数、开源协议、后续迭代计划以项目官方仓库和论文为准。
