Verne V0.5 開放權重機器人動作模型，商用前先看清授權門檻

用 AI 摘要這篇文章：

ChatGPT Claude Perplexity Google Grok

美國機器人公司 Verne 在 2026 年 11 月 4 日發布 V0.5，一個開放權重（open-weight）的工業機器人動作模型：參數量 8.2B，權重以三種版本放上 Hugging Face（基礎版與兩個基準測試版），程式碼與推論流程放在 GitHub，同場還宣布了微調平台與客製部署服務。官方定位是世界動作模型（world action model），同時學習場景接下來怎麼變化、以及機器人該怎麼動。發布時間點有個背景：官方研究頁自己提醒，十四個月前 Physical Intelligence 才開放了 π0.5 的權重，這個賽道現在不止一家在跑。

官方在發布貼文裡把動機說得很直白：讓機器人民主化，要從把前沿基礎模型開放給所有人做起。對想評估的團隊，這次發布要拆成三個獨立的問題來讀：我的公司能不能免費商用、官方講的領先是哪個範圍的領先、拿到權重之後離一台會動的機器人還缺什麼。三個問題的答案各有一份原始文件，也各有官方沒說完的部分。

下載前先看授權：五百萬美元畫出來的商用線

V0.5 用的是自訂的 Verne V0.5 Model License（授權檔標明 1.0 版），屬於隨權重附上的條款，與 Apache 或 MIT 這類標準開源授權不同。條款把用途切成兩邊：非商業的研究、教學、評測與基準測試，任何營收規模的組織都免費；商用則畫了一條線，年營收在 500 萬美元（含關係企業合併計算）以下的公司可以免費商用，超過這條線就必須另外向 Verne 取得商業授權。研究頁的宣傳語把重點放在開放，商用門檻要打開授權檔才看得到。

幾個配套條款值得整段讀完。營收跨過門檻的公司有 90 天緩衝期，要嘛談下商業授權、要嘛停止商用。只使用你產品而沒有另行取得權重的終端客戶，不需要向 Verne 拿授權，其營收也不併入你的門檻計算。機器人跑模型時錄下的畫面、狀態與人工修正資料，條款明訂不算衍生作品，可以用來訓練任何模型；但拿權重微調出來的模型是衍生作品，蒸餾出來的也算。對資料資產敏感的工廠，這一進一出的界線先畫清楚，比急著下載重要。

條款還掛了兩串但書。出口管制方面，權重受 EAR、ITAR 與 OFAC 制裁清單約束，受美國全面禁運的地區與限制清單上的對象拿不到授權；用途禁令則畫掉武器、傷人與違法監控。這些條款文字對多數台灣開發者是遠處的邊界，但 500 萬美元那條線就在門口：年營收低於門檻的新創與學研單位可以直接下載評估；超過門檻的製造商若要商用，寄到 partnership 信箱的授權洽談會比 Hugging Face 的下載按鈕先發生。Hugging Face 上的三個版本也各有用途：v0.5-base 是給微調的底座，另外兩個分別對應 LIBERO 與 RoboTwin 的評測重現，下載前先確認版本可省下不少摸索。開放權重模型的授權邊界各有各的畫法，Mistral 的 MEOW 條款是另一種自訂邊界的讀法，Kimi 開放權重下載前的三道門檻檢查則是同一套評估清單的通用版。

Pin

官方講的領先，是哪個範圍的領先

官方宣稱 V0.5 是領先的開放權重模型，但這句話有兩層限定：範圍是「美國公司開發的開放權重模型」，榜單基準是 2026 年 10 月 30 日的版本。把限定詞拿掉再看分數，圖像會不太一樣。

LIBERO 榜上，V0.5 四個子測試平均 99.3%（官方附的 95% 信賴區間是 98.8% 到 99.7%），長任務子集 99.2%。官方成績表上平均略高於它的是 ABot-M0.5 的 99.4%，長任務則是 V0.5 的 99.2% 對 98.4%。RoboTwin 2.0 的協定是每個政策用 2,500 段乾淨場景示範微調（50 個雙臂任務、每任務 50 段），再以每任務每場景約 100 段情節評測；V0.5 乾淨場景 81.0%、隨機化場景 73.4%，同一張表上，乾淨場景有四個分數更高的模型：PICA-WAM 的 90.7%、GO-3 Nano Preview 的 88.5%、EWAM 的 82.2%、ViGAR 的 82.0%；隨機化場景也有兩個在它前面。換句話說，V0.5 的領先是分組內的成績；在官方選錄的這張成績表裡，乾淨場景它排在第五。這些分數各有各的微調與評測條件，直接平移比較會踩到口徑問題，模擬榜篩政策、真機量成功率的分層讀法在這裡同樣適用。

Pin

與 π0.5 的對照倒是官方分析得最細的一段，而且形狀比方數總和更有參考價值。RoboTwin 2.0 的評測分乾淨與隨機化兩種場景，隨機化場景加入雜物、更換紋理、改變照明與桌面高度，比乾淨場景接近工作現場不照劇本來的樣子。場景隨機化時，V0.5 平均掉 7.6 分，π0.5 掉 24.7 分，兩者差距從 10.3 分拉開到 27.4 分；π0.5 在 50 個任務裡有 11 個掉 40 分以上，V0.5 沒有任何任務掉到這個量級。反過來看，π0.5 成功率低於 30% 的那些任務，V0.5 平均高它 38.5 分；π0.5 已經做到 90% 以上的任務，V0.5 反而落後 4.4 分。對要導入的人，這組數字的用處在於對照自家的任務長相：工作現場愈亂、愈少照標準擺位，V0.5 的相對優勢愈明顯；已經被現有模型做得很順的短任務，換模型不見得有紅利。

Pin

影片預測留在訓練端，動作直接輸出

世界動作模型這個詞的實際內容，可以從訓練方式看清楚。V0.5 從阿里巴巴的 Wan2.2 影片模型出發，接上動作模型後兩個 transformer 共同訓練，各自保有以流匹配（flow matching）為目標的學習任務，再用遮罩式注意力交換資訊。官方把訓練分成三段：先用機器人影片讓視覺端適應機器人視角，再讓影片與動作配對共同學習，最後用特定任務資料做後訓練。

關鍵的設計取捨在推論端：模型運行時直接輸出動作，不先生成未來影片。影片預測在訓練時提供訊號，幫模型理解動作會把畫面改成什麼樣子；真正上機時把生成影片的運算開銷整段省掉。這也是它被叫世界動作模型的原因：對世界的理解被壓進動作生成，而非以生成畫面的形式展現。快慢兩層的分工（慢的上層想、快的下層動），官方引用了心理學的雙系統說法來描述，也點名 NVIDIA 的 GR00T N1 與 Figure 的 Helix 用的是同款架構思維。

資料規模有兩層，讀的時候要分開。預訓練用了超過 170 萬段示範，來源是資料供應商、開放資料集與自行採集，形式以遠端操作與 UMI 類手持夾爪為主；官方對每段錄製檢查時間同步、動作品質與指令和動作的一致性，相機與動作時間戳記若對不上，模型可能把錯誤的對應關係學進去。縮放實驗給了一個可核對的數字：預訓練資料從全量的 29% 增加到 100%，未微調的 RoboTwin 成功比例從 23% 升到 51%（每個檢查點約 1,000 段情節），官方說下一步要把資料量再乘上十倍。特定任務的後訓練是另一層：部分任務用少於兩小時的示範加人工修正資料就完成，九項展示任務涵蓋長流程的全身撿料、撿貨與接觸密集的桌面組裝，官方範例包括套件準備這類多步驟組裝，其中某些任務每個步驟各用不到兩小時的資料調整。兩小時這個數字常被單獨引用，它講的是站在預訓練肩膀上的最後一哩，不是從零訓練一個模型的成本。這條資料供應鏈周邊已經長出專門生意，把真實工作影片煉成機器人訓練資料的公司就是同個生態系的例子。

權重只解決每秒三十次那一段

還缺什麼的問題，最容易被新聞標題蓋過去：權重本身只覆蓋動作策略層。V0.5 支援的機器人形態是裝移動底座的雙臂平台，觀察輸入是兩個手腕相機加一個頭部相機，共三個視角。給它三個畫面、機器人狀態與一句英文指令，它回傳接下來約 1.07 秒的動作：32 個以 30Hz 間隔排列的目標，內容是兩隻手臂的末端姿態、兩個夾爪的開闔與移動底座的位置，外加目前指令的進度。它不做高階規劃，把任務切成短指令、判斷進度、在物品掉落時要求重抓的，是外接的現成視覺語言模型：上層讀取目標、相機畫面與過程記憶，決定下一個短指令，例如把「準備一份套件」拆成放入物品、固定袋子、拉上拉鍊；它也不輸出關節角度，末端姿態轉成馬達命令要自己加差動逆運動學（官方建議用 mink 的小型二次規劃）。整套系統官方拆成四層：視覺語言模型規劃、V0.5 策略、執行層、以及控制器。

時間軸上的接法， repo 的推論指南寫得很具體：畫面以 30Hz 餵入，推論至少每 0.7 秒跑一次，官方自己的規劃節奏是每 0.6 秒一次、且要在 0.4 秒內算完；新舊動作片段的銜接靠即時動作分段接續，規劃期間已排定的目標照常執行，最多預訂 12 個目標當下一段的起點，機器人才不會在片段交界停頓或跳動。控制器是獨立的 C++ 程序，跑在即時 Linux 核心上，以 500Hz 追蹤目標，時間軸錨定在相機快門，把模型推論與網路等待隔在馬達控制之外。

控制端有多重要，官方用同一組策略換控制器量化給你看：各跑 20 次 LEGO 拆解，機器人原廠的 YAM 控制器落後目標 52 到 60 毫秒、追蹤誤差中位數 9 到 26 毫米，Verne 自家控制器落後 4 到 12 毫秒、誤差 2.2 到 3.5 毫米；30Hz 之下，60 毫秒差不多是快兩個命令目標的時間。自家控制器的底氣有一部分在硬體：Verne 的機器人多數機種用準直接驅動（QDD）致動器，高扭矩馬達配低減速比，關節可以反向驅動、對受力反應快，官方說它應付接觸的表現好、成本也遠低於諧波減速器。模型相同、結果不同，這組對照的言下之意是：真機展示影片的功勞不能全記在權重上，你自己接的控制軟體會左右最後成績。

硬體門檻也有明確數字：Linux、Python 3.10 以上、至少 24GB 記憶體的 NVIDIA GPU、32GB 系統記憶體與 35GB 磁碟；權重檔案 17GB，GPU 到 40GB 以上可以把文字編碼器也放上去，換新指令時不用搬動模型。真機上的安全建議，repo 直接寫在快速開始清單裡：低速與低力量上限、伸手可及的緊急停止開關、旁邊留一個人看著。工業現場的評估流程本來就該長這個樣子，差別在於這次文件把話說在了下載之前。

這次發布還沒說清楚的事

把評估清單收攏之前，有幾個洞要標出來。九項真機展示任務沒有附成功次數的分母，各拍了幾次、成功幾次，研究頁與 repo 都沒給；模擬榜的分數可以核對，真機的部分目前只能看影片。同步宣布的微調平台與客製部署服務，範圍與定價都未公布。手持示範夾爪寫的是未來數月，沒有日期；更大的下一代模型官方說已經在訓練，同樣沒有時程。Verne Labs 自己的背景，包括成立時間、融資與團隊規模，這批文件裡也沒有交代。

回查可以鎖三個點：Hugging Face 頁的下載量與社群復現結果、RoboTwin 與 LIBERO 榜單的變動（官方引用的是 2026 年 10 月 30 日的榜單快照）、授權條款有沒有改版。對應到行動：年營收在門檻下的團隊，從 repo 的 quickstart 與 LIBERO 模擬環境起步，成本就是一張 24GB 以上的顯示卡與時間；超過門檻的製造商，把授權洽談排進時程再談技術驗證。無論哪種，把榜單範圍與成功分母一起記進評估表，這份成績單才不會在下一個模型發布時突然讀不懂。