如何让机器人手更灵巧地完成多种任务？

近年来，机器人灵巧操作取得显著进展，其中模仿学习方法让机器人能完成精细且难以建模的任务。与此同时，大规模语言和视觉基础模型的成功，推动了‘机器人基础模型’的研发热潮。但这些模型在真实场景中的实际表现长期缺乏严谨评估，制约了技术发展和公众理解。本文聚焦一类被称为‘大行为模型’的多任务机器人操作策略，基于扩散策略框架，在大量仿真与真实机器人数据上开展系统性验证。作者设计并验证了一套具备统计置信度的评估流程，并通过严格控制的盲测随机实验（涵盖仿真与真实机器人平台），将其与单任务基线模型进行对比。结果表明：经过多任务预训练的模型不仅任务成功率更高、鲁棒性更强，而且能用远少于单任务模型的数据量，快速学会全新复杂任务；更重要的是，其性能随预训练规模（数据量）和任务多样性提升而呈现可预测的稳步增长。这为未来通用机器人AI的发展路径提供了关键实证依据。