τ0-VLA发布：让机器人学会“先想后做”，迈向长程任务时代

2026 WAIC上，具身智能的关注点从单点技能Demo转向真实场景下的复杂任务完成能力。然而，当前主流VLA模型本质是反应式决策范式，将当前观测与语言指令直接映射为低层动作，缺乏对任务历史、执行进度与后果的显式建模。这种“看一眼、做一下”的模式在数秒短程任务中表现尚可，但在耗时数分钟、涉及数十个步骤的长程任务中暴露出三个系统性缺陷：误差累积（如夹爪偏移1毫米或底盘角度偏差0.5度逐级放大）、步骤重复与遗漏（如已收杯子又再次执行）、目标漂移（注意力被局部细节吸引，行为逐渐偏离初始指令）。

现实世界任务如“整理房间”“准备一顿饭”往往包含连续数十个步骤，机器人不仅需要精准动作，更需要围绕长期目标持续规划、执行和纠错。这要求具身智能从“让机器人学会一个动作”转向“让机器人完成一项任务”，而τ0-VLA正是针对这一挑战提出的新思路。

τ0-VLA的设计灵感源自人类脑科学双系统理论，将机器人系统拆分为高层规划系统（慢思考）和低层动作系统（快执行）。高层系统负责理解用户目标、将复杂任务拆解为子任务，并通过任务记忆跟踪执行状态，回答“下一步做什么”；低层系统负责将选定的子任务转化为稳定、实时的全身动作。这一分层避免了传统VLA让单一模型同时承担长期规划和实时控制的困境，将昂贵的测试时算力倾斜给高层，同时为低层保留高频、低延迟的动作控制接口。

高层系统由四大模块协同构建子任务级束搜索机制：Propose Model生成多个候选下一步子任务；World Model基于图像编辑模型预测每个候选执行后的环境状态，输出“想象中的未来画面”；Value Model对推演结果进行多维度打分，评估任务完成度、安全性和隐性风险；Reflective Model横向对比所有候选，输出最终决策，若与整体进度冲突则触发重选。这是首次将测试时计算精准投向对真实物理世界“链式物理影响”的前瞻评估。

低层系统构建了统一40维全身动作空间，通过掩码屏蔽无需使用的自由度，实现单臂、双臂、固定底座、轮式移动人形等多种机器人形态的跨本体无缝适配。执行过程中通过视觉反馈以闭环方式生成连续动作，使机器人能根据实时环境变化调整行为，提高面对真实世界扰动时的稳定性。

τ0-VLA将世界模型引导的测试时计算引入具身决策。世界模型不追求生成逼真的未来场景，而是回答“如果执行某个动作，未来世界会发生什么变化”。面对任务，机器人不会立即选择动作，而是先对不同方案进行未来状态预测。测试时计算让机器人具备类似“思考预算”的能力：简单问题保持效率，复杂问题投入更多推理资源。配合深度思考动态路由机制，模型仅在判定为高难度的子任务节点启动深度思考，其余场景直接输出快速决策，兼顾决策质量与推理效率。

这一机制打破了传统LLM在文本空间中单纯重复采样择优的局限，首次将测试时算力用于评估真实物理世界的链式影响。实验表明，引入层级规划系统后，τ0-VLA在AGIBOT G1平台上的平均成功率由27.5%提升至45.0%，平均任务进度由80.10%提升至87.85%，相比π0.5、GR00T N1.7等主流VLA模型在长程任务上表现出明显提升。

τ0-VLA使用40115小时真实世界机器人交互数据预训练，其中包含超2万小时真机数据，覆盖AGIBOT G1、ARX AC One、Franka等多个机器人平台，以及UMI数据和多个公开数据集。这是当前具身智能领域规模领先的真机数据预训练，数据涵盖固定机械臂、移动机器人、双臂机器人等多种形态，构成多机器人、多任务、多场景的物理世界经验库。

训练采用高层规划系统与低层动作系统协同方式：低层策略从机器人示范数据中学习动作执行能力；高层规划器利用任务分解标注、执行记忆和世界状态变化信息学习任务拆解与预测；同时加入多模态联合训练数据保持视觉语言理解能力。这使得τ0-VLA训练的不只是一个动作模型，而是一套面向真实世界任务的机器人智能系统。

τ0-VLA并非孤立工作。团队此前已发布面向真实世界大规模后训练强化学习系统LWD和预训练具身世界模型τ0-WM。三项工作共同指向“大规模预训练+大规模后训练”路线：预训练提供通用能力，世界模型负责预演行动后果，τ0-VLA完成复杂任务，真实部署产生的数据通过LWD回流训练，形成持续进化的数据闭环。这一路线试图突破静态模仿学习的局限，让机器人在进入真实世界后继续学习、修正和提升。

从行业视角看，τ0-VLA展示了一种从“动作智能”走向“任务智能”的系统架构。早期竞争集中在硬件结构和运动控制，VLA阶段转向指令理解与动作执行，而τ0-VLA提出的“先推演、后执行”范式，让机器人从被动执行走向主动规划。将大模型的泛化能力与真实物理世界的强化学习数据飞轮相结合，被认为是实现具身智能规模化部署的必由之路。