近日，至简动力和北大联合实验室发了一篇叫 HarmoWAM 的论文，核心想法是：不给机器人一个通用大脑，而是给它两个各司其职的「动作专家」。

机器人模型有个「偏科」问题。

让机器人把一束花插进花瓶，这件事天然分成两段：

前半段：在桌上找到花，穿过杂物，走到花瓶前——考验的是「新环境里不迷路」。 后半段：抓住花茎，对准瓶口，轻轻插进去——考验的是「碰到东西时手够稳」。

问题在于，目前做机器人模型的两条主流路线，恰好各擅长一段，各崩一段。

路线 A（先想象画面，再从画面反推动作）：在陌生环境里找东西几乎百发百中，但一到插花、堆罐子这种需要精细控制的环节，成功率掉到六成以下。路线 B（视频和动作一起学）：手非常稳——只要能走到目标旁边，插花堆罐子几乎不出错。但前提是环境不能变。换个背景、换个位置，它连目标都走不到（论文里的一项测试：换个位置后，路线 B 找到目标的成功率从 9/10 跌到 0/10）。

两条路线是完美互补的——A 的强项恰好是 B 的弱项，反之亦然。

至简动力和北大联合实验室的 HarmoWAM 干了一件事：不选边，把两条路线装进同一个模型。

具体做法是给模型装两个「动作专家」——一个负责找路，一个负责动手——再加一个自动切换开关。机器人自己看画面判断「我现在该找路还是该动手」，自动换人。

效果：六项真机任务，熟悉场景成功率 89%，换桌子、换背景、换物体后 82%。陌生环境只掉了 7 个百分点。 对比：目前最好的 VLA 模型 π0.5 在同样的陌生场景里跌到 49%（掉了 34 个百分点）。消融实验把「找路专家」拿掉后，新位置场景的成功率只剩 14%

至简动力北大联合实验室HarmoWAM