过去，具身智能的「大脑」多由海外团队主导。如今，中国团队千寻智能开源的 Spirit v1.5 模型，不仅在权威评测中超越 Pi0.5 登顶全球，更通过重构数据范式，证明了多样化物理交互数据的价值，为整个行业提供了可复现的顶尖基座，推动通用机器人加速走向现实。
智能速览
千寻智能开源的 Spirit v1.5 模型，在 RoboChallenge Table30 榜单上超越 Pi0.5，位列全球第一。
模型核心优势在于采用开放式数据采集，摆脱了传统「干净数据」对泛化能力的限制。
技术报告证实，多样化数据比精选数据让模型收敛速度提升40%，泛化能力更强。
该采集范式使人均有效采集时长增加200%，同时降低了对算法专家的依赖。
全量开源策略打破了高性能机器人基座模型缺失的局面，降低了行业准入门槛。
这标志着中国团队在具身智能领域，正从技术跟随者转变为规则定义者。
精华内容
Spirit v1.5 的成功并非偶然，其背后是对机器人学习范式的根本性革新。它不再满足于在理想化环境中学习，而是直面真实世界的混乱与复杂，从中汲取宝贵的“物理常识”。
干净数据的陷阱
传统具身模型多依赖 Open X-Embodiment 等精心筛选的「干净」数据集进行训练。这种模式下，场景和动作都经过高度优化，如同电影导演精心安排的脚本。
这种「完美」数据虽然提供了稳定的学习起点，却造成了致命的副作用：经验的零散孤岛。模型只能在预设的理想环境中执行任务，一旦遇到抹布打滑、桌面有杂物等意外情况，便会因缺乏处理经验而失效，严重限制了其在开放世界的泛化能力。
开放式采集策略
Spirit v1.5 则采用「开放式、目标驱动」的数据采集策略。操作员不再遵循详细脚本，只被赋予如“清理厨房”这样的高层目标，允许其在真实环境中即兴发挥。
这种方式自然形成了连续的技能流，将抓取、擦拭、整理等多个微技能串联起来，而非机械学习孤立动作。更重要的是，模型在海量真实交互中见识了失败与混乱，从而学会了动态纠错与恢复，内化了类似人类的物理常识，面对干扰时更具韧性。
多样性的增益
技术报告中的消融实验为这一策略提供了硬核数据支持。实验对比了使用精选数据（A组）和多样化数据（B组）训练的模型，两组数据总量完全相同。
结果显示，B组模型在微调新任务时，达到相同性能所需的迭代次数比A组少了40%，收敛速度与迁移效率显著提升。研究还发现，随着多样化数据规模扩大，模型在新任务上的验证误差持续下降，证明其正在从现实世界的多样性中有效汲取养分。
开源重塑生态
除了技术突破，Spirit v1.5 的开源策略更具产业价值。过去，高性能机器人基础模型多为闭源，开发者面临使用旧模型或依赖昂贵API的两难境地。
千寻智能将模型权重、推理代码和使用样例全部开源，为科研界提供了可复现的SOTA基线，也为产业界提供了经过验证的技术底座。这种从Qwen、DeepSeek延续而来的开源模式，正在将中国团队从全球AI生态的“参与者”转变为“建设者”。
Spirit v1.5 的开源，是中国开源力量在具身智能领域的延续，它证明了非结构化数据是通往通用性的关键路径。从追随到定义，中国团队已跻身核心赛道。而随着全球开发者的涌入，这场由开源引发的变革，将如何重塑未来的机器人形态，值得期待。
