华科港科大联手突破机器人视觉，新框架成功率94%

机器人视觉智能训练长期面临“近视监督”困境，模型仅关注相邻帧预测，导致对整体运动规律理解不足。华中科技大学、香港科技大学等机构联合提出“Next Forcing”训练框架，通过多帧预测强制模型学习物理规律，在RoboTwin测试集上刷新纪录。该研究以预印本形式于2026年6月9日发布在arXiv平台（论文编号：arXiv:2606.11187），由华中科技大学、香港科技大学、香港科技大学广州校区及Robbyant公司联合完成。

核心创新点在于解决“教师强迫”训练范式的局限性：传统方法仅预测“下一帧”，模型易通过“复制粘贴”相邻帧降低误差，形成取巧策略。Next Forcing要求模型同时预测“下两帧”、“下三帧”乃至“下四帧”，迫使模型理解物体运动规律而非局部像素差异。

从资金面看，机器人视觉赛道近期获政策与产业资本双重加持，该技术突破有望加速人形机器人商业化进程。技术面上，实验结果亮眼：在包含50种双臂协作任务的RoboTwin标准测试集中，固定场景成功率94.1%，随机场景成功率93.5%。当视频帧率提升至50帧每秒时，训练速度较此前最强的LingBot-VA方法快2.3倍，推理速度提升2倍，视频生成质量指标下降超50%（指标越低越好）。

展望后市，该框架解决了机器人世界行动模型（WAM）的“近视监督”问题，为复杂操作任务提供更鲁棒的视觉基础。随着多模态大模型与机器人硬件迭代，Next Forcing有望成为具身智能领域的标准训练范式，推动估值修复行情。