拓冰网站定制 
#【具身智能】Spotter免训练外挂VLM反思小模型主导执行的异步自愈新范式别再让大模型“指导微操”了Spotter开箱即用范式免训练外挂VLM反思一行命令直接复现项目主页https://zqc3117.github.io/Spotter/GitHub 仓库https://github.com/zqc3117/Spotter论文 ArXivhttps://arxiv.org/abs/2609.36808️研究团队Griffith University、清华大学、腾讯、复旦大学、同济大学一、为什么做具身智能一定要看 Spotter很多做机器人和具身智能VLA的同学都会被两个痛点折磨训练成本极高为了让机器人学会“失败自愈Recovery”往往需要耗费大量算力采集失败数据集、重新微调大模型串行延迟劝退让前沿 VLMGPT-4o、Qwen 等步步规划动作机械臂每走一秒停两秒不仅物理落地不现实API 费用也在飞速燃烧。针对这些痛点最新开源的Spotter提出了完全颠覆的“外挂监视”思路零额外训练Training-free不需要重新微调具身模型也不需要训练失败反思数据即插即用Plug-and-play现成的具身策略π0.5、Cosmos Policy 等直接接入极低调用开销具身小模型主导执行前沿 VLM 只在后台异步巡检、确认报错才介入反思纠偏整体耗时直接降低约 70%图 1Spotter 协作机制概览——小模型主导连续执行VLM 异步监视与自愈二、架构创新双流异步与反向协作Spotter 颠覆了“大模型指哪、小模型打哪”的传统链条将系统划分为两个异构流System 1小脑主导具身策略模型如 π0.5、Cosmos Policy全程掌控机械臂轨迹保障高频、平滑、零延迟的日常操作。System 2大脑巡检前沿 VLMGPT-4o / Qwen-VL 等在后台异步监控。只有轻量级筛查器捕获到连续异常Double-check时VLM 才介入执行长上下文反思与轨迹纠偏。图 2Spotter 双流异步监控与纠偏工作流三、性能对比与实验结果在真实双臂机器人及仿真环境测试中Spotter 展现了极高的自愈成功率与执行效率对比维度传统 VLM-led 串行方案Spotter 异步协同方案执行延迟步步停顿推理延迟居高不下耗时降低约 70%逼近纯小模型速度真机成功率缺乏反思容错抗扰性差达到 83% 真机操作成功率计算开销持续全量请求高算力 VLM仅翻车时唤醒API 成本大幅下降图 3真机与仿真基准测试效果对比四、快速部署实操小白也能跑3 步极简复现指南Spotter 整个工程完全面向落地设计封装了完善的 RPC 与环境抽象环境配置与脚本运行非常简单官方现已开源代码及 RoboTwin 2.0 仿真适配模块# 1. 克隆代码仓库gitclone[https://github.com/zqc3117/Spotter.git](https://github.com/zqc3117/Spotter.git)cdSpotter# 2. 准备运行环境conda create-nspotterpython3.10-yconda activate spotter pipinstall-rrequirements.txt# 3. 一键运行 Spotter 主调度脚本bashspotter.sh 【具身智能】Spotter：免训练外挂VLM反思，小模型主导执行的异步自愈新范式
#【具身智能】Spotter免训练外挂VLM反思小模型主导执行的异步自愈新范式别再让大模型“指导微操”了Spotter开箱即用范式免训练外挂VLM反思一行命令直接复现项目主页https://zqc3117.github.io/Spotter/GitHub 仓库https://github.com/zqc3117/Spotter论文 ArXivhttps://arxiv.org/abs/2609.36808️研究团队Griffith University、清华大学、腾讯、复旦大学、同济大学一、为什么做具身智能一定要看 Spotter很多做机器人和具身智能VLA的同学都会被两个痛点折磨训练成本极高为了让机器人学会“失败自愈Recovery”往往需要耗费大量算力采集失败数据集、重新微调大模型串行延迟劝退让前沿 VLMGPT-4o、Qwen 等步步规划动作机械臂每走一秒停两秒不仅物理落地不现实API 费用也在飞速燃烧。针对这些痛点最新开源的Spotter提出了完全颠覆的“外挂监视”思路零额外训练Training-free不需要重新微调具身模型也不需要训练失败反思数据即插即用Plug-and-play现成的具身策略π0.5、Cosmos Policy 等直接接入极低调用开销具身小模型主导执行前沿 VLM 只在后台异步巡检、确认报错才介入反思纠偏整体耗时直接降低约 70%图 1Spotter 协作机制概览——小模型主导连续执行VLM 异步监视与自愈二、架构创新双流异步与反向协作Spotter 颠覆了“大模型指哪、小模型打哪”的传统链条将系统划分为两个异构流System 1小脑主导具身策略模型如 π0.5、Cosmos Policy全程掌控机械臂轨迹保障高频、平滑、零延迟的日常操作。System 2大脑巡检前沿 VLMGPT-4o / Qwen-VL 等在后台异步监控。只有轻量级筛查器捕获到连续异常Double-check时VLM 才介入执行长上下文反思与轨迹纠偏。图 2Spotter 双流异步监控与纠偏工作流三、性能对比与实验结果在真实双臂机器人及仿真环境测试中Spotter 展现了极高的自愈成功率与执行效率对比维度传统 VLM-led 串行方案Spotter 异步协同方案执行延迟步步停顿推理延迟居高不下耗时降低约 70%逼近纯小模型速度真机成功率缺乏反思容错抗扰性差达到 83% 真机操作成功率计算开销持续全量请求高算力 VLM仅翻车时唤醒API 成本大幅下降图 3真机与仿真基准测试效果对比四、快速部署实操小白也能跑3 步极简复现指南Spotter 整个工程完全面向落地设计封装了完善的 RPC 与环境抽象环境配置与脚本运行非常简单官方现已开源代码及 RoboTwin 2.0 仿真适配模块# 1. 克隆代码仓库gitclone[https://github.com/zqc3117/Spotter.git](https://github.com/zqc3117/Spotter.git)cdSpotter# 2. 准备运行环境conda create-nspotterpython3.10-yconda activate spotter pipinstall-rrequirements.txt# 3. 一键运行 Spotter 主调度脚本bashspotter.sh