Liber-0 的 36% 不性感，性感的是它背后的落差：拿取 63.5%，长程任务只有 10.5%

先说判断：36% 这个数字本身不性感，性感的是它背后的落差

LiberAI 在 11 月 3 日发布了 Liber-0，一个号称“世界动作模型”的机器人模型。官方通稿里最显眼的数字是 36.0%：在 60 个由 GPT-6 出的机器人操作任务、共 600 次试验里，Liber-0 的整体成功率是 36%。只看这个数字，很多人会觉得不过如此，连一半都没到。但我的判断是，36% 恰恰是这篇发布里最诚实、也最值得认真读的部分，因为真正的信息藏在它的拆解里：拿取摆放类任务成功率 63.5%，其他操作类任务 34.0%，复杂多步骤的长程任务只有 10.5%。这三个数字连在一起，讲的是一个很清楚的故事：机器人今天能稳稳做好的，仍然是那些结构简单、目标明确的动作；一旦任务变长、步骤变多、中间任何一个环节出错都会连锁反应，成功率就断崖式下跌。

换句话说，Liber-0 不是来宣布“通用机器人已经来了”的，它是来给这个行业划一条线的：线这边是已经能用的能力，线那边是还没攻克的难题。而比这条线更有意思的，是 LiberAI 解决问题的思路：不靠给机器人一遍遍演示每个具体任务，而是靠人类的经验来教会机器人。Liber-0 预训练用了超过 220 万小时的人类经验数据，包括普通人活动的人类视频，以及用 LiberSense 手套直接记录下来的手部姿势和运动轨迹。它的核心赌注是，人类世界里现成的大量视频和动作记录，可以成为机器人学习的养料，而不必为每一个新任务都重新采集机器人演示数据。

“零样本”到底是什么意思，先把话讲清楚

“零样本”这个词在机器人领域很容易被误读，所以必须先拆开讲。LiberAI 自己的定义是“任务级零样本泛化”：被评估的模型在预训练阶段确实接触过机器人数据，但没有针对这 60 个被测任务专门采集过机器人演示。也就是说，它不是没见过机器人动，而是没为考试题目专门练过题。这个限定非常重要，因为如果有人把 36% 理解成“一个完全没见过机器人数据的模型第一次上手就能做对三分之一”，那就夸大其词了；反过来，如果因此说 36% 毫无意义，那也低估了它，因为现实中最大的成本恰恰就是“每个新任务都要重新采集演示数据”。

评估的设计本身也值得细看。60 个任务分成三组，每组 20 个：拿取摆放、其他操作、复杂非拿取摆放与长程任务，每组每个任务测 10 次，一共 600 次试验。任务由 GPT-6 提出，这个细节既有意思也有争议。有意思的地方在于，出题的不是 LiberAI 自己，理论上减少了“自己出题自己考”的嫌疑；有争议的地方在于，GPT-6 出的任务是否代表真实世界里人们真正需要机器人做的事，仍然是一个开放问题。出题模型本身的偏好、难度分布，都会影响最终的分数。所以 36% 最好被理解为“在 GPT-6 出的这套题上的成绩”，而不是“机器人在真实家庭或工厂里的通用成功率”。

还有一组数字经常被忽略，但对理解 Liber-0 的技术路线很关键。在内部基准上，预训练检查点直接评估的进展分数是拿取摆放 81.4、非拿取摆放 72.3。这里用的是“进展分数”，满分 100，衡量的是任务完成到什么程度，而不是成功还是失败。这个分数和 36% 的成功率不是同一个指标，不能直接对比。进展分数高、成功率低，恰恰说明了很多任务是“做到一半卡住了”，这和长程任务 10.5% 的低成功率是互相印证的：机器人能把事情做个开头甚至大半，但很难把一整串动作从头到尾不出错地做完。

手套这个设计，为什么比单纯看视频高明

Liber-0 的技术路线可以概括成两招：动作接地和具身对齐。先说动作接地。人类视频的问题在于，它只告诉你“看起来发生了什么”，不告诉你“手是怎么动的”。看一个人开抽屉的视频，你能看到抽屉开了，但你不知道他用了多大的力、手指是怎么扣住把手的、手腕转了多少度。LiberSense 手套就是用来补这个缺口的：它直接记录手部姿势和运动轨迹，把视频里的画面和真实的动作测量绑在一起。这样一来，模型学到的就不只是“画面 A 后面跟着画面 B”，而是“画面 A 对应着这样一组手部动作”。

再说具身对齐。人的身体和机器人的身体不一样，摄像头的位置不一样，关节的活动范围也不一样。直接把人的动作抄到机器人身上，往往抄不像。LiberAI 的做法是让机器人平台 LEO 本身就向人类数据采集看齐：灵巧手、多关节手腕和腰部、与人类数据采集对齐的摄像头配置，再加上一套“统一具身表示”，把身体尺寸和关节运动方式告诉模型，帮助模型把学到的动作适配到机器人自己的身体上。这一步听起来很工程化，但它恰恰是很多纯视频路线容易忽略的地方：数据再多，如果身体对不上，迁移就是空谈。

模型本身的训练方式也值得一句话概括：它同时预测未来的视觉帧和动作。这意味着它可以从没有动作标注的普通人类视频里学习，也可以从带有明确运动监督的手套记录和机器人记录里学习。两种数据各有短板，普通视频量大但没有动作信息，手套和机器人数据有动作信息但量小，把它们拼在一起，是 Liber-0 整套路线的核心。这也是为什么官方通稿里反复强调“结合”这个词：不是某一种数据打天下，而是几种数据的组合拳。

三组内部实验，讲的其实是同一个道理

通稿里列了三组内部实验，乍看是三组数字，细看讲的是同一个道理：带动作标注的人类数据，比纯视频值钱得多。第一组实验是控制变量的单源预训练对比：1 万小时的手套记录，在同样的后续机器人训练条件下，效果超过了 200 万小时的网络人类视频。这个对比非常刺眼：200 倍的数据量差距，居然输给了 1 万小时带动作标注的数据。它说明了一个朴素的道理，数据不是越多越好，数据里有没有模型真正需要的信号才是关键。没有动作信息的人类视频，看再多也只能学到“看起来像”，学不到“怎么做”。

第二组实验讲的是省演示数据。在一个 8 项任务的评估里，只用 25% 的机器人演示数据池，加上完整的手套演示数据池，进展分数是 75.6，反而高于只用完整机器人演示数据池的 72.8。也就是说，手套数据不仅能补充机器人数据，甚至能在一定程度上替代它。这对机器人行业的成本结构有直接意义：采集机器人演示数据又贵又慢，需要真机、场地和操作员，而手套记录人类活动相对便宜得多。如果这个结论在更大规模上成立，机器人学习的数据瓶颈就可能从“机器人演示”转向“人类动作记录”，整个行业的成本曲线都会变。

第三组实验最有想象力。当机器人演示数据只覆盖拿取摆放任务时，模型在其他操作任务上的进展分数只有 2.2，几乎等于不会；加入其他操作的手套记录后，这个分数涨到 47.5，再扩大手套数据的广度后涨到 54.6，接近用机器人演示覆盖两类任务时的 56.3。换句话说，人类动作数据让机器人学会了它从来没有在机器人演示里见过的行为类型。这正是“泛化”这个词在机器人领域最实在的含义：不是在已见任务上刷分，而是在未见任务上从零到有。

但这三组实验也都要打上“内部实验”的标签。它们是 LiberAI 自己设计的评估，用的是自己的进展分数体系，没有经过第三方复现。特别是进展分数这个指标，它衡量的是部分完成程度，分数的刻度本身就由评估设计者定义。75.6 对 72.8 的差距、2.2 到 47.5 的跳变，方向上可信，精确数值上应当保留余地。真正能验证这些结论的，是未来有没有其他团队用公开任务和公开指标复现出类似的趋势。

36% 之外的另一面：这家公司和它的机器人

除了模型本身，通稿还透露了一些公司层面的信息。LiberAI 是一家 2025 年 12 月才成立的北京初创公司，时间非常短，Liber-0 是它推出的第一个世界动作模型。它的机器人平台叫 LEO，特点是灵巧手、多关节手腕和腰部，以及与人类数据采集对齐的摄像头。通稿里还提到了一段 LEO 全自主泡奶茶的演示，以及一个互动仿真功能，用户可以上传自己的物品，看 Liber-0 在虚拟环境里操作它们。这些演示和互动入口的意义在于，它们把评估数字变成了可以围观的东西：与其只信通稿里的分数，不如去看一段完整任务的视频，或者自己上传一个物品试试模型会怎么处理。

不过也要提醒一句，演示视频和互动仿真同样是经过挑选的。泡奶茶这类演示通常是在受控环境里、经过多次尝试后拍成的最佳版本，互动仿真里的虚拟环境也比真实世界宽容得多。它们适合用来理解模型的能力方向，不适合用来推断模型在真实家庭或工厂里的成功率。36% 这个数字反而比演示视频更诚实，因为它来自 600 次试验的统计，而不是一次拍成的镜头。

给做 AI 产品的启示：数据策略比模型规模更值得抄

对 vibe 开发者和 AI 产品团队来说，Liber-0 最值得抄的不是模型架构，而是数据策略。很多团队做 AI 功能时，第一反应是“数据不够，再多搞点数据”，但 Liber-0 的实验提醒我们，问题可能不是数据量，而是数据类型。1 万小时带动作标注的数据打败 200 万小时纯视频，这个对比放在任何领域都成立：带反馈、带结果、带过程标注的数据，往往比裸数据值钱得多。做客服机器人时，带解决结果的对话记录比纯聊天记录值钱；做代码助手时，带测试通过信息的提交记录比纯代码量值钱；做推荐系统时，带真实购买结果的点击记录比纯曝光记录值钱。

另一个启示是关于“零样本”这个词的使用。LiberAI 在通稿里对“任务级零样本”做了明确限定，这种限定本身就是一种专业素养。很多 AI 发布的问题不在于数字造假，而在于定义含糊：不说清楚“零样本”是对什么而言的零，不说清楚成功率和进展分数的区别，不说清楚评估任务是谁出的。用户和媒体在传播时就会把限定条件丢掉，只剩下一个光鲜的数字。对做产品的团队来说，反面教材就在眼前：发布时把定义、限定和短板写清楚，短期看好像不够性感，长期看反而更可信，因为懂行的人一眼就能看出你知不知道自己在说什么。

最后一句话总结。Liber-0 的 36% 不是通用机器人的 arrival 宣言，而是一份阶段性的成绩单：拿取摆放已经比较稳，其他操作正在爬坡，长程复杂任务仍然很弱。它的真正贡献在于验证了一条数据路线：用手套记录的人类动作数据，可以大幅降低机器人学习对机器人演示的依赖，甚至让机器人学会演示里没有的行为。这条路线如果经得起第三方复现，会改变机器人行业的数据成本结构；如果复现不出来，它也至少给出了一个值得检验的假设。而对所有看发布的人来说，记住 63.5%、34.0%、10.5% 这组拆解，比记住 36% 这个总数更有用，因为落差所在的地方，就是下一步要攻克的地方。

如果只看通稿，会漏掉什么

通稿没有讲的东西，同样值得留意。第一，它没有提到 Liber-0 的权重是否开源、代码是否公开、其他团队能不能拿到模型自己测。没有这些信息，第三方复现就无从谈起，所有的数字都只能停留在“厂商声称”的层面。第二，它没有给出模型规模、推理成本和运行硬件要求，读者没法判断这套方案离实际部署有多远，是只能在实验室的大算力上跑，还是已经可以装进一台能卖的机器人里。第三，评估任务由 GPT-6 提出，这个设计虽然避免了自己出题自己考，但出题模型自身的偏好并没有被讨论：它出的任务是不是偏向那些容易用语言描述、容易拆解的动作，而真实世界里大量脏活累活恰恰是难以用语言描述清楚的。

还有一个时间维度的提醒。LiberAI 成立于 2025 年 12 月，到发布 Liber-0 还不到一年。一家如此年轻的公司能在这么短的时间里拿出一个有完整评估体系的模型，说明团队的执行力很强，但也意味着它的技术路线还没有经历过时间的检验。机器人行业的历史里，不缺开局惊艳、后续乏力的项目，缺的是能在真实环境里持续迭代、把成功率从 36% 一步步抬上去的团队。所以对 Liber-0 最公允的态度是：认真对待它的数据路线假设，同时把它的数字当作起点而不是终点，等下一轮的复现结果和真实部署反馈出来之后，再决定要不要上调对它的评价。

顺带一提，通稿里提到的互动仿真是一个很好的验证入口。如果你对 Liber-0 感兴趣，不妨亲自去试一次：上传一个家里常见的物品，看模型在虚拟环境里会怎么抓、怎么放、卡在哪个步骤。一次亲手试验得到的信息，往往比读十篇解读文章更实在，因为它会让你直观地感受到，机器人现在的能力边界到底划在哪里，而这种体感，正是只看数字的人最容易缺失的东西。