逐际动力 FluxVLA Engine V2：14 种策略接入统一评测|AI自学笔记

10 月 29 日，逐际动力更新了开源具身工程底座 FluxVLA Engine 的第二版技术报告。相比 9 月发布的首版，V2 新增了在线强化学习后训练实验，并把仿真评测与真机部署的覆盖范围进一步扩展，目标是让具身模型的能力可以跨策略、跨本体迁移。

14 种策略接入同一套闭环评测

报告披露，在仿真侧有 14 种策略接入同一套 LIBERO 闭环评测，在 RoboCasa GR-1、RoboTwin 与 RoboDojo 三个基准上各有 8 种策略完成了接入结果。这个数字本身就是这套底座存在的理由：不同来源的策略要在同一环境、同一套接口下可比较，才谈得上工程复用。

真机侧的部署覆盖范围同步扩大，配合新增的在线强化学习实验，让策略可以在部署后继续拿反馈做调整。评测集与真机部署两条线同时推进，是这版报告与首版最主要的差别。

报告开篇给出的判断是，随着 GPT-6 Astra 这类通用模型只需要一行 API 就能跨域给机器人下指令，模型侧的通用能力已经足够惊艳且远未到头，但把指令翻译成物理动作的工程底座依然是一条坑洼土路。模型越强，就越需要一套接得住前沿算法跃迁的具身 Infra。

逐际动力选择开源这条底座，意图明显是绕开重复造轮子的问题，把轮子造一次之后让各家的能力可以复用。这也是当前具身智能领域的一个普遍转向，先把基础设施标准化，再谈上层模型的迭代速度。