1.5B参数开源VLA：效率突破还是数据幻觉？

我注意到一个有意思的细节，面壁智能发布的MiniCPM-Robot系列模型，参数规模只有1.5B，却宣称“冲进具身智能第一梯队”。在量化领域，我们习惯于用夏普比率、最大回撤等指标评估策略，而面对一个模型，第一反应是：它的训练数据量级是多少？评估基准是什么？样本外泛化能力如何？ 如果这些信息缺失，任何“第一梯队”的标签都只是营销上的alpha，而非实际的技术alpha。

模型规模与性能的悖论：当1.5B试图挑战7B

从公开信息看，MiniCPM-Robot是视觉-语言-动作（VLA）模型，面壁智能强调其“小参数、高效率”。但这里有一个关键问题：VLA模型需要同时处理视觉、语言和连续动作空间，参数量与任务复杂度之间是否存在一个经验下限？

1.5B参数是否足够？从信息论角度看，一个通用VLA模型需要编码视觉特征、语言指令、动作序列以及它们之间的复杂映射关系。如果模型容量不足，可能存在过拟合训练环境的风险——在特定场景下表现良好，但换一个光照条件、物体位置变化，成功率可能断崖式下降。量化研究员都知道，样本内回测漂亮不等于样本外有效，具身智能领域同样如此。

面壁智能声称“第一梯队”，但未提供与RT-2、PaLM-E在同任务上的A/B测试结果。如果仅在自建数据集上评估，且未公开数据分布细节，那么这种说法缺乏统计显著性检验。我们需要看到：在多个标准基准（如CLIPort、BEHAVIOR-1K）上的零样本迁移成功率，以及在不同机器人本体（不同机械臂、不同抓取器）上的泛化表现。

数据质量：开源VLA的最大隐忧

作为因子挖掘从业者，我深知数据质量直接决定模型性能上限。MiniCPM-Robot是开源模型，这本身是好事，但开源VLA面临一个核心矛盾：高质量机器人操作数据极度稀缺，且获取成本极高。

[!note]
一个典型的机器人操作数据集，需要真实环境部署、人类遥操作、多视角相机采集、精细化标注。公开数据集如BridgeData v2 约6万条轨迹，而RT-2使用了大模型蒸馏和互联网数据增强。1.5B参数模型若想泛化，训练数据量级至少需要达到百万级轨迹。

面壁智能可能采用了三种策略之一：

1. 仿真数据为主：仿真环境（如ManiSkill、RLBench）生成的数据具有低成本、高多样性优势，但存在sim-to-real gap。量化中类似“模拟回测”与“实盘交易”的差异。
2. 知识蒸馏：从大模型（如7B或13B的VLA）中蒸馏知识到小模型。这要求先有一个强大的教师模型，但面壁智能并未提及。
3. 数据增强：通过视觉变换、语言指令重写等提高数据效率。但动作空间（连续关节角度或末端位姿）难以通过简单增强获得多样性。

如果训练数据全部来自公开数据集（如Open X-Embodiment），而这些数据集本身存在偏差（比如多数任务都是桌面拾取放置），那么1.5B模型很可能只是记住了分布内模式，而非真正理解物理世界。量化研究中，我们常通过K-fold交叉验证和Walk-forward分析来评估过拟合，在具身智能中，类似的评估方法应该是在不同背景、不同光照、不同物体替换下的成功率 decay 曲线。

从因子挖掘视角看具身智能的评估风险

在私募做因子挖掘时，我们最怕的是幸存者偏差和前视偏差。具身智能领域同样存在类似的评估陷阱：

• 任务选取偏差：只展示成功案例，失败案例被剪辑掉。视频中展示的“拿杯子、开抽屉”是典型任务，但若遇到抽屉卡住、杯子滑落等情况，模型如何应对？需要报告成功率的置信区间。
• 环境过拟合：训练环境与测试环境高度相似。量化中，我们严格区分训练集、验证集、测试集，且测试集必须包含不同市场状态。具身智能的测试集也应该包含分布外场景（如不同颜色、不同纹理、不同光照、动态干扰）。
• 动作空间量化误差：机器人动作往往是连续的，模型输出是离散化后的动作token。1.5B模型如何编码连续动作？如果采用离散化bin，粒度过粗会导致动作

原文链接：1.5B开源通用VLA模型，冲进具身智能第一梯队 – 量子位