ICRA 2026最佳论文奖，千寻智能首席科学家、清华高阳团队FP3入围

原文作者：谭梓馨

原文链接：https://mp.weixin.qq.com/s/llcXE2be4oNWItL_0ydVZw

研究人员与业内其他机器人控制策略进行了对比，域内实验结果显示，单场景仅10条示教样本条件下：DP、DP3仅能勉强完成简单任务，多数场景成功率不足50%，在倒水这类高难度任务上基本失效；OpenVLA整体各项任务表现糟糕，根源在于缺少连续动作块预测机制。

依托预训练与三维点云表征，FP3全部任务成功率突破90%。从实操现象来看，基线算法失败多源于动作精度缺陷：夹取时定位偏差推飞物件、倒水时瓶口对偏等；而FP3凭借大参数量与海量预训练，可精准拟合复杂目标动作，输出轨迹更平滑、控制精度更高，显著优于对比算法。

将机械臂更换至全新环境、使用从未见过的物体开展零样本测试，不含预训练的所有基线策略普遍无法识别目标物体，任务成功率近乎归零。

反观经过预训练的FP3极少出现识别失效，全场景平均成功率超80%，全面碾压对照组。

研究认为优异性能来自两点：一是大规模预训练覆盖海量场景与物件，大幅提升策略鲁棒性；二是点云输入可精准捕获三维几何特征，是实现跨域泛化的关键。

指令跟随测试结果显示，在初始环境完全一致的条件下，使用多条不同文本指令测试FP3与基线策略，FP3可精准依照指令执行对应任务，并非单纯死记训练数据分布。

研究人员在论文中表示，FP3虽作为基座策略模型表现优异，但仍存在若干短板：

第一，FP3下游微调效率与泛化能力突出，但基座原生零样本性能偏弱，诱因大概率是预训练所用DROID数据集体量不及OXE等二维机器人数据集，后续可构建规模更大的三维机器人数据集用于预训练。

第二，FP3仅依靠CLIP嵌入实现语言条件接入，难以表征复杂动态语义；后续可将本扩散架构FP3与视觉大模型VLM融合，搭建类似π0的视觉-语言-动作（VLA）模型；

第三，当前FP3未复用DINOV2、SigLIP等成熟预训练二维视觉编码器，融合三维点云特征与二维图像特征、或将二维特征升维至三维空间具备巨大优化空间，相关研究留作未来工作。

一方面，其自研具身基座模型Spirit v1.6在具身基准测试平台RoboArena中成功登顶，性能超过英伟达Cosmos3与Physical Intelligence Pi0.5，成为首个登顶的中国具身模型。

另一方面，该公司宣布新获15亿元A+轮融资，从2月份至今融资近50亿再次刷新行业纪录。

千寻智能在官宣中表示2026年将积累100万小时级真实世界交互数据的阶段性沉淀，涵盖丰富的长尾复杂场景与多模态操作样本，构筑核心护城河。

在另一份榜单具身智能大规模真机评测平台RoboChallenge的Table30系列任务测试中，千寻智能此前发布的Spirit v1.5目前排名第四，排名第一的是星动纪元Era0模型，其次是原力灵机的DM0和极佳视界的GigaBrain-0.1，模型排位变换之间也见证了中国具身智能创业赛道竞争之激烈。