作者 / Harry
编辑 / 九九
先看一段视频。
这台 3D 打印的桌面机械臂，把一只小黄鸭夹起来、抬起、放到目标位置，一次搬运做得干净利落。做这个演示的开发者说，这台机械臂没录过一条示教数据，也没训练过任何动作策略，每一步怎么走，都是一个叫 Jev 的模型当场决定的。
这个操作有点特别。当下让机械臂学一个新动作，主流做法是先靠遥操作带着它做几十上百遍，录成示教数据，再训一个 VLA（视觉-语言-动作模型），这个模型看着画面，直接算出每个关节怎么转。在 SO-101 上，LeRobot 官方教程建议一个新任务先录约 50 段完整演示；π0 这样的通用模型，预训练用了一万多小时的机器人数据。
Jev 的思路完全不同。这个模型不写字，只做选择题：给它一段描述和几个选项，几百毫秒后，它会告诉你每个选项有几成把握。接到机械臂上，动作不用学，提前写成"下降""闭爪""抬起"这样的技能，机器人每走一步就问 Jev 一次：下一步用哪个？
Jev 出自美国初创公司 TypeSafe AI，9 月中旬刚刚发布。这家公司 2024 年成立，闭门做了两年，这次亮相同时宣布了 4000 万美元种子轮融资；创始人 Diogo Almeida 在 OpenAI 参与过 InstructGPT，也就是让大模型学会听指令的那项研究，后来成了 ChatGPT 的基础。
这会不会是 VLA 之外的另一条路？我把能找到的十几个开源项目都翻了一遍。
01 两条路：VLA 教机器人怎么动，Jev 让它做选择
Jev与VLA最大的区别在于“本事”从哪来。VLA 靠动作数据，示教看得够多，就知道这种画面下该怎么动，动作能做得很细、很连贯；代价是每换一个任务，都得重新录数据、重新训。
Jev 靠的是大模型本身的常识。它不用懂关节怎么转，只要读懂"夹爪已经在物块正上方，还没夹住"，判断下一步该"下降"还是"闭爪"。换任务，改的是技能列表和题目，不用再采数据。
机器人每推进一步，都会完成一轮循环：相机获取画面，程序把当前状态转成文字，Jev 从候选技能中选出下一步，机器人执行相应的技能，再更新画面。底层的技能和电机控制，传统机器人早就做得很成熟了；Jev 只负责中间这道选择题，每秒决策 1 到 5 次。
说实话，这个思路不新。早年的机器人任务规划，也是在技能之间做选择，只不过靠的是人写死的规则，碰上规则没写到的情况，机器人就卡住了。Jev 就是从这里切入的：把"下一步调用哪个技能"交给模型，由 Jev 结合当前状态来判断。
02 如何才能用上Jev？
Jev 并没有装在机器人上，实际上是在 TypeSafe AI 的服务器上跑的。用起来跟问 ChatGPT 差不多，只不过向 Jev 提问的，是机器人旁边那台电脑上的一段程序。每一轮，这段程序先把机器人看到的情况写成一段文字，连同题目和选项一起发给 Jev；Jev 零点几秒后给每个选项回一个概率；程序再让机器人执行概率最高的那一项。
每次问 Jev，都要给三样东西：状态，也就是眼下的情况，比如"苹果已在盘里，夹爪张开，高 152.8 毫米"；题目，比如"现在该做哪件事"；选项，也就是几个写好的候选答案，每个后面写明什么情况下适用。
这道题普通大模型也能做，问题是太慢、太贵。机器人每一步都要等大模型几秒，动作就一顿一顿的；每一步都按大模型的价钱付，跑一天账单也难看。
慢，是因为大模型要一个 token 一个 token 地往外写，每写一个就把整个模型算一遍，哪怕答案只有"拦截"两个字。Jev 把这一步砍掉了：材料读一遍，每个选项直接出一个概率。
所以 Jev 一次请求只要 70 到 500 毫秒，输入每百万 token 0.042 美元，输出不收钱。放到机械臂上很直观：同一个让 xArm7 把苹果放进盘子的仿真任务，Jev 花了 0.0188 美元，GPT-6 Astra 花了 5.93 美元，差了三百多倍。
官方评测里，Jev 的准确率和 OpenAI 的中档模型接近，调用成本不到对方的百分之二；第三方的独立测试比的也是准确率，结论相近：Jev 大致和中档大模型持平，与最强那一档仍有差距。
Jev 还会给每个答案报把握度。这对机器人很有用：把握够就执行，不够就停下再看一眼，或者交给人工处理。
代价也有，官方文档自己列了：不会算数，分不清两个日期谁先谁后，看不懂图，只读文字。所以到了机器人上，距离、角度得先由代码算好，画面得先由别的模型翻成文字。
这样一来，分工就清楚了：代码负责算数和看图，Jev 负责在备好的选项里挑一个，又快又便宜，还报得出几成把握。这套分工放到真实任务里，能不能跑通？
03 三个实验：每一轮都问了 Jev 什么
下面三个实验，两个在仿真里，一个在真机上。每一轮都照上面的方式问 Jev，区别只在问什么。配图和上一节一个格式：左边是发给 Jev 的，右边是它回的。
现在可以来看看Jev的表现。
实验一 xArm7 放苹果：一步一步看 Jev 在干什么
任务很简单：仿真里一台 xArm7、一个苹果、一个盘子，把苹果放进盘子。整个过程拆成很多轮，机械臂每轮只挪一小步，挪之前先问 Jev 两道题。
第一道题是"现在该做哪件事"，8 个选项，从接近、抓取一直到结束，每个都写了什么时候该选。比如"放低"：已在盘子正上方，还没到松手高度；"撤回"：苹果已留在盘子里，夹爪还低于 160 毫米。第二道题是"往哪边挪"，x、y、z 三个方向各选负向、不动或正向。
Jev 要做的，就是读仿真器报上来的数，看眼下满足哪一条。上图是最后一轮：苹果已在盘里，夹爪高 152.8 毫米，不到 160，正好是"撤回"的条件，Jev 也选了"撤回"，把握 89%；第二道题 Jev 让 z 方向往上，把握 93%。
这样跑了 113 轮，苹果放进了盘子，花了 0.0188 美元；GPT-6 Astra 跑同样的流程，用了 106 轮、5.93 美元。不过每个模型只跑了一次，每一步的条件又写得很细，这组对比能说明 Jev 便宜，说明不了 Jev 更会控制机械臂。
实验二 Franka 放汤罐：先预演，再让 Jev 挑
第二个实验在 LIBERO 仿真环境里，让 Franka 机械臂把一罐汤放进篮子。这回连"每一步挪多少"也做成了选择题，而且问之前，代码先把每个选项的后果算好了。
每一步，代码列出 27 个小动作，在物理引擎里挨个预演，看做完会不会碰到东西、离目标是近了还是远了。Jev 拿到的是一张标好后果的菜单，分三次答：先选意图，再选哪一类动作，最后挑一个。放汤罐一共问了 40 次，最后汤罐进了篮子。这个项目公开的结果，就是几个任务各自的运行记录，没有统计成功率；跑得最多的是关微波炉门，3 次里成功 2 次。
Jev 不会算数，那就别让 Jev 算。距离、碰撞这些数，代码在提问之前就都算完了，Jev 只管在后果已知的几个选项里挑。
实验三 SO-101 真机：还在路上
真机上公开的记录少得多。上面这段视频里，SO-101 接了两个 USB 相机，Jev 每秒做大约 2 次决策，把球放进盒子，中间抓滑了一次，又回去重新抓起来。视频标着"有人监督的原型""剪辑过的真实画面"，部分片段加速，也没公开代码。公开了代码、在真机上跑过 Jev 的是另一个 SO-101 项目，下图是这个项目每一轮问的四道题。
做法和仿真差不多，只是信息从仿真器换成了相机。腕部装一个相机，用最简单的颜色识别找物块，把"看没看见、对没对中"，以及夹爪到没到抓取高度、夹没夹住，一起交给 Jev。技能从找物块开始，一路走到闭爪、抬起，每一轮由 Jev 判断该走到哪一步；风险分超过预设的阈值 1.5，代码就直接让机械臂后退。
这个项目一开始不是这么做的。最早，开发者让 Jev 在"每个关节转不超过 2 度"的小步里挑，结果一步 1.8 度地挑，怎么也找不到、抓不起物块，后来才改成按技能选。
三个实验还有两个共同点。一是数字都来自一次或极少几次运行，没有一个项目给出成功率，也没有一个在同样条件下跟写得好的规则比过。二是最后的否决权都在代码手里，急停和关节限位不交给 Jev，风险阈值也不交。
三个实验合起来说明，Jev 已经能接进机器人的任务流程，但还证明不了它比写好的规则或 VLA 更可靠。
04 Jev 能成为 VLA 之外的另一条路吗？
Jev 的好处很明显。不用录示教数据，换任务只改题目和选项；每一步都是一道带概率的选择题，出了错能查到是哪一步选错；没把握的时候还能自己停下来。这三点，今天的 VLA 都做不好。
短板也明显。技能要有人先写好，画面要先翻成文字，毫米级、连续不断的精细动作 Jev 做不了。速度上，Figure 的 Helix 动作层每秒出 200 次动作，π0 最高每秒 50 次，Jev 在这些实验里每秒只被问 1 到 5 次。Jev 的快是跟大模型比出来的，跟 Helix 的动作层比，还慢了 40 到 200 倍。
所以我更倾向于两条路会接起来：VLA 把一个个技能做稳、做细，Jev 这类模型在技能之间做选择、在关键节点把关，比如抓完之后判断抓没抓住、滑了要不要重试、东西被人挪走了要不要叫人。GitHub 上已经有人立项做"用 Jev 监督 VLA"，不过还停在设计阶段。
最缺的一块是看图。Jev 现在只读文字，机器人要用它，就得先有个模型把画面翻成文字，翻错了，判断就跟着错。
已经有研究在补这一块。南京大学和微软亚洲研究院的论文 PixelJev，把 Jev 这种"读一遍、给每个选项打分"的做法用到了图片上：跳过把画面翻成文字这一步，直接把图片和选项一起交给 Qwen3.5 的 2B、4B 多模态版本，读出每个选项的概率。在宠物品种、卫星图分类这类任务上，每类只用 64 张图微调，准确率就从五六成涨到九成左右。不过这篇还没做机器人实验，代码也没放出来。
结语
回到开头的小黄鸭。那段视频没公开代码，我们看不出 Jev 在里面到底答了哪些题，但这段视频抛出的问题是真的：机器人对"下一步做什么"的判断，也一定要从动作数据里学出来吗？
至少在这一层，Jev 给了一个快、便宜、不用示教数据的答案。Jev 能走多远，得看第一份同条件对比：同样的感知、同样的技能库，交给 Jev 挑和交给一段认真写的规则挑，成功率差多少。十几个项目里，还没有一个回答过这个问题。
-END-
点击下方卡片，关注【Xbotics具身智能实验室】公众号
你想要的这里都有~~
Ask Me Anything｜提问箱
对文章有疑惑，或想聊更深？欢迎把你的问题丢给我们：技术方案、实操踩坑、课程与资料、项目合作、职业发展，都可以问。
怎么问：在评论区留言，或私信公众号
我们会做什么：每周集中整理高质量问题并公开回复，重点问题邀请作者或嘉宾深度解答；典型问题会加入知识库并持续更新。
提问小提示：尽量说明「你的目标—当前做法—期望产出」，附上必要信息（硬件/软件版本、数据规模等），能更快获得有用答案。
一起把问题变成知识，推动社区进步 🚀
