Bagel-Robotics-1 在 RoboDojo 四项赛道上胜过 GPT-6 Astra,新任务泛化却落后 8 倍
结构化剪枝砍掉了 24% 的参数,代价可能是实际部署最需要的泛化能力

2026 年 11 月 18 日,Bagel Labs 发布了 Bagel-Robotics-1。这是一个机器人操作模型,在 RoboDojo 基准上总排名第三,并在该基准五个任务赛道中的四个上胜过 OpenAI 的 GPT-6 Astra。第五个赛道 Open 衡量的是,模型如何应对评测前对提交方保密的任务,而在这个赛道上,差距方向正好相反:Bagel-Robotics-1 得分 4.86/3.67%,GPT-6 Astra 为 34.36/31.00%。在最能预测实际部署价值的这一维度上,落后约 8.5 倍。
公司的新闻稿以这些胜绩开篇,没有提到 Open 赛道的成绩。
Bagel Labs 发布了什么,新闻稿又略去了什么
Bagel-Robotics-1 采用 Fast-WAM 架构,属于世界-动作模型(WAM)一类:这类系统在训练中同时学习预测未来的画面和生成机器人动作。推理时,Fast-WAM 跳过预测未来这一步,只做一次前向传播,在保留联合训练带来的表示优势的同时降低延迟。
Bagel Labs 对基础模型中的视频专家部分做了自适应结构化剪枝。非结构化剪枝删除的是单个权重,会产生不规则的稀疏矩阵;结构化剪枝则删除整个通道、注意力头或前馈网络单元。这样得到的模型可以在标准硬件上运行,不需要专门的稀疏推理库。Bagel 的视频专家从约 150 亿参数缩减到 124.7 亿,减少了 23.95%。剪枝之后,团队又做了一轮恢复训练来找回准确率。
最终的 Bagel-Robotics-1 模型是开放权重的,已发布在 HuggingFace 上。
RoboDojo 在 ECCV 2026 上发表,是一个统一了仿真和真实环境的基准,涵盖五个赛道:泛化、精度、长程、记忆和 Open。前四个赛道在评测前会向提交方公开,Open 赛道则不公开:任务在模型提交之前一直保密,专门用来检验模型对未知指令的泛化能力。Bagel-Robotics-1 在四个公开赛道上的得分,从 24.84/19.63%(记忆)到 73.93/58.87%(精度)不等,全部高于 GPT-6 Astra。它在 Open 赛道上的 4.86/3.67%,则低于排行榜上其他所有一线竞争者。
延伸阅读:Bagel Labs 发布 WorldDiT,一个参数不到 10 亿的机器人操作世界-动作模型
Fast-WAM 和自适应结构化剪枝如何造出这个模型
这套Fast-WAM 架构由清华大学交叉信息研究院和 Galaxea AI 的研究人员开发,解决的是 WAM 类模型的一个实际局限:标准的 WAM 在推理时要生成对未来画面的预测,这会增加延迟和算力成本。Fast-WAM 保留了联合训练目标,模型在训练中仍要学习预测未来,但在测试时去掉了预测这一步。结果是只需一次前向传播的推理,代价是丢掉了这套架构本来被训练出来要产生的一个信号。
自适应结构化剪枝走得更远。它不是先训练一个满容量的模型再删掉单个权重,而是根据估计的重要性,识别并删除整个功能单元:通道、注意力头或前馈层。因此,Bagel 报告的 23.95% 参数缩减是模型宽度的真实缩减,而不是对满宽度模型的稀疏近似。
剪枝后做恢复训练是标准做法:对剪枝后模型的权重做微调,以弥补被删掉的容量。恢复训练无法可靠找回的,是那种可能本来就需要被剪掉的容量才能支撑的广泛表示覆盖。这一点对 Open 赛道尤其重要,因为那里的任务就是为了探测模型在训练分布之外的泛化能力而设计的。
Bagel Labs 没有公布消融实验,在 Open 赛道上把 Bagel-Robotics-1 与同等架构、未剪枝的基线进行比较。
一个在 Bagel 到来之前就已超越 GPT-6 Astra 的排行榜
截至 2026 年 11 月 18 日,RoboDojo 排行榜反映出一场推进很快的竞争。深圳自变量机器人(X Square Robot)的 WALL-OSS-1.0-lite在 11 月初排名第一;智元机器人(AGIBOT)的 GO-3 预览版在 10 月 29 日上海的创新日上宣称在包括 RoboDojo 在内的三个基准上排名第一,不过智元没有发布技术报告,也没有对成绩做独立验证,该基准条目也被标为预览版。星动纪元(ROBOTERA,清华大学关联企业,也称 Starbot Era)的 VPP2,已在 GitHub 上开源,此前曾以平均得分 39.26、平均成功率 32.26% 登上 RoboDojo-Sim 排行榜榜首。
GPT-6 Astra 的 RoboDojo 成绩于 2026 年 9 月发布,涵盖全部五个赛道。Astra 在 RoboDojo 上的推理延迟约为每步 18.56 秒,这是因为它是一个大规模的计算机操作模型,被拿来跑一个它并未专门训练过的机器人操作基准。结果是,一个比 Astra 小得多、专门打造的操作模型,可以在 RoboDojo 五个赛道中的四个上胜过它,却仍在基准刻意保密任务信息的那个赛道上落后。
Bagel-Robotics-1 在排行榜上排第三。它的总平均得分和成功率高于 GPT-6 Astra,但低于前两名。新闻稿的说法「在四个赛道上胜过 GPT-6 Astra」在狭义上是准确的,但略去了竞争背景:在 Bagel-Robotics-1 发布之前,Astra 在 RoboDojo 上的表现就已经被多个模型超越。
延伸阅读:世界-动作模型的泛化比 VLA 更好吗?一项鲁棒性研究
基准没有直接衡量的 WAM 特有失效模式
Bagel-Robotics-1 的 RoboDojo 成绩引出了两个 WAM 特有的问题,而基准并没有直接捕捉到它们。
第一个是 BadWAM 攻击面,由新加坡国立大学和香港理工大学的研究人员记录。WAM 之所以在可解释性上有吸引力,部分源于这样一个假设:模型想象出的未来可以用来检验它打算执行的动作。BadWAM 证明这个假设很脆弱:微小的视觉扰动就能打破 WAM 所想象的与它所执行的之间的一致性,要么直接把模型推向导致任务失败的动作(「仅动作」攻击),要么在这样做的同时让想象的未来在视觉上依然显得合理(「保留想象」攻击)。后一种变体对部署尤其令人担忧,因为它能躲过基于未来预测的安全检查。这些攻击属于对抗性场景,而不是常规运行条件,但它们代表了 WAM 架构特有的一类风险,而 RoboDojo 的评分中没有体现。
第二个是「任务不完整的想象」,由首尔大学和韩国科学技术院(KAIST)的研究人员记录。这种失效模式是指:WAM 对未来的预测内部一致、与动作也一致,不会产生明显的错误,却漏掉了完成任务所需的状态转换。研究人员把这种失效追溯到为短片段控制而调整的 WAM 训练:模型学会了偏好局部看起来合理的延续,而不是能完成任务的转换。「完成感知引导」(Completion Aware Guidance)论文在 NeurIPS 2026 上发表,介绍了一种无需训练的采样方法来解决这个问题。Fast-WAM 在推理时去掉了未来预测,从推理路径上消除了这种特定的失效模式,但也去掉了可能发现其他动作错误的、基于未来预测的验证。
Open 赛道的差距及其对部署的意义
RoboDojo 的五赛道结构刻意设置了难度层级。四个公开赛道测试的是已知的任务分布:在泛化、精度、长程和记忆上得分高的模型,证明了自己能胜任训练范围内的任务。Open 赛道测试的是另一种能力:第一次接触时处理真正未知的指令。
Bagel-Robotics-1 在 Open 赛道上的 4.86/3.67%,对比 GPT-6 Astra 的 34.36/31.00%,是在这个基准中与部署最相关的维度上的巨大差距。这说明,该模型在四个公开赛道上的高分,可能反映的是对已知任务结构的有效优化;而在 Open 赛道上,针对已知分布的优化带来的优势较小,泛化方面的限制就暴露出来了。
有三个因素可能起了作用。第一,结构化剪枝可能删掉了对泛化贡献格外大的容量;关于WAM 对扰动的鲁棒性的研究表明,WAM 相对 VLA 的泛化优势,取决于视觉世界建模基础的广度,而剪枝直接削弱了这一点。第二,Fast-WAM 在推理时省去未来预测,去掉了一种规划机制,而在完整的 WAM 中,这种机制能帮助模型在新任务上推理动作的后果。第三,公开赛道允许提交方在提交前加入特定任务的数据,或针对已知分布做调优;Open 赛道恰恰堵住了这条路。
Bagel Labs 尚未在公开声明中回应 Open 赛道的成绩。四个赛道的表现和 Open 赛道表现之间的差距,是本文的核心发现,也是公司选择不去强调的那个数字。



