清华系创企推出首个AIGC机器人大模型，基于VPP视频预测政策学习人类动作，掌握100+复杂任务，引领机器人与生成式模型发展新潮流

（由多段落组成）

星动纪元发布VPP大模型，机器人操作进入新阶段

近日，星动纪元宣布开源首个AIGC生成式机器人大模型VPP（Video Prediction Policy），该模型由清华大学交叉信息学院ISRLab与星动纪元联合研发，并成功入选ICML 2025 Spotlight高分作品。论文作者郭彦东表示，VPP基于类似Sora的AIGC生成式模型，通过海量互联网视频数据训练，能够根据当前场景生成视频并指导机器人完成物理动作。

例如，在实验室环境中，当机器人面对烧杯和移液管时，VPP会生成使用移液管的操作视频，帮助机器人将溶液准确转移至目标容器中。这一技术突破显著提升了机器人在复杂任务中的表现。

VPP的核心特性解析

1. 精准预测未来场景
传统机器人策略如VLA模型通常依赖于当前观测数据进行动作学习，而VPP能够提前预测未来场景，并确保预测结果与实际执行高度一致。这意味着，只要视频能够生成的动作，机器人就能顺利完成。

2. 高效预测机制
VPP摒弃了像素级精确预测的传统方法，转而通过提取视频模型中间层表征，实现单步去噪预测。这种方法不仅提高了预测效率，还为高频次规划和执行提供了支持。

3. 跨本体数据学习能力
VPP能够直接学习各种形态机器人的视频数据，甚至可以将人类操作数据纳入学习范围。这种跨本体学习方式降低了数据获取成本，同时增强了模型的泛化能力。

4. 多任务处理能力
在星动纪元的单臂+仿人五指灵巧手XHAND平台上，VPP可完成100多种复杂操作任务，包括放置、扶正、堆叠、传递等。而在双臂人形机器人平台上，它也能完成50多种复杂任务，展现出卓越的多任务处理能力。

5. 优化任务执行成功率
VPP的预测视觉表示具备一定的可解释性，开发者可以通过预测视频提前发现潜在失败场景，并进行针对性优化。这不仅提升了任务执行的成功率，还减少了对真实世界测试的依赖。

性能优势与应用场景

在Calvin ABC-D基准测试中，VPP的任务完成平均长度达到4.33，接近满分5.0，较此前先进方法实现了18.6%的相对性能提升。在真实场景的复杂灵巧操作任务中，其成功率更是提高了31.6%。

VPP的推出打破了传统机器人对真机数据的过度依赖，为数据获取开辟了新路径。其高效的预测和执行机制，以及在不同本体间的切换能力，为机器人通用性和实时决策能力注入了新活力。未来，VPP有望推动机器人从特定场景应用向更复杂、多元的实际场景迈进。

资源链接
– 论文地址：[https：//arxiv.org/pdf/2412.14803](https：//arxiv.org/pdf/2412.14803)
– 项目地址：[https：//video-prediction-policy.github.io](https：//video-prediction-policy.github.io)
– 开源代码：[https：//github.com/roboterax/video-prediction-policy](https：//github.com/roboterax/video-prediction-policy)

本文来源：