Facet-0：NTU王子为团队让机器人在精密装配中「看得懂、插得准、出错能恢复」

机器人正在变得越来越「通用」。

从抓取日常物品，到根据语言指令完成多步骤操作，视觉 — 语言 — 动作（VLA）模型正在让机器人摆脱过去「一项任务、一套程序」的开发方式。但当机器人真正走向制造现场，问题也随之发生了变化：会不会做，已经不是唯一标准；能不能在毫米甚至亚毫米级接触中稳定完成，并在出错后自己恢复，才决定它能否真正进入生产环节。

针对这一问题，新加坡南洋理工大学（NTU）PINE Lab 团队研发了面向接触丰富型精密操作的机器人基础模型 Facet-0，试图让机器人不仅理解「要做什么」，还能够在真实接触中判断「做得对不对」，并根据失败经验持续改进。

Facet-0 完成 RAM、CPU、Disk、GPU 等装配任务

更重要的是，82% 并不是单纯依靠扩大预训练得到的。Facet-0 的完整训练流程将成功率从预训练阶段的 16% 提升到 RL 后训练阶段的 38%，再通过轻量化适配达到 82%。在部署后训练对比中，人工干预率由 47% 降至 24%，失败恢复率由 44% 提升至 81%。

发生卡滞后回撤、重新对齐并完成插入

通用 VLA 模型已经能够理解指令、识别物体，并完成许多日常操作。但制造现场真正困难的部分，往往发生在视觉「已经完成任务」之后。

要让模型学会这种能力，首先需要让数据本身包含「接触是如何发生的」。

但即使机器人已经能够感知和控制接触，还有一个更难的问题：一次装配最终成功了，是否意味着中间所有动作都值得学习？

对于制造机器人而言，真正难以规模化的，从来不是做出一次漂亮的 Demo。

【开源免费】XTuner 是一个高效、灵活、全能的轻量化大模型微调工具库。它帮助开发者提供一个简单易用的平台，可以对大语言模型（LLM）和多模态图文模型（VLM）进行预训练和轻量级微调。XTuner 支持多种微调算法，如 QLoRA、LoRA 和全量参数微调。

项目地址：https://github.com/InternLM/xtuner