ManualVLA把“说明书”交给AI：电商仓储机器人更稳更快

双12刚过，不少仓库的真实画面是这样的：订单暴涨、波次频繁调整、临时加单与退换货交织，拣选与复核节奏被不断打断。很多企业以为“上机器人”就能解决问题，但我见过更常见的情况是——机器人在短任务里很灵，在长任务里就开始“越做越偏”：拿对了物品，却放错了格口；走完了路径，却没对齐最终摆放状态。

这类问题本质不是“动作不够准”，而是规划与执行之间缺少一条能持续对齐目标的‘说明书’。2025-12-18，北京大学、香港中文大学与至简动力团队发布的 ManualVLA 给了一个很强的答案：让模型先生成多模态操作说明书，再按说明书闭环执行动作，把“生成–理解–动作”统一到同一个模型里。

这篇文章放在「人工智能在科研与创新平台」系列里来看，价值不止是机器人学术进展。它更像一种可迁移的方法论：让AI不仅能看懂与推理，还能把推理结果写成可执行的“手册”，再把手册变成稳定动作。对电商与新零售来说，这种范式会直接影响智能仓储、自动化操作、以及“千人千面”的流程编排能力。

ManualVLA解决的不是“能不能动”，而是“长任务能不能对齐目标”

结论先说：ManualVLA把长时序任务拆成一串“可验证的中间目标”，每一步都用说明书把动作锚定到正确区域与正确状态。

传统视觉–语言–动作（VLA）模型在桌面抓取、简单摆放等短任务上表现不错，但一旦任务需要严格达到预定义终态（比如乐高组装、物体重排），难点会暴露出来：

• 高层规划需要知道“下一步应该变成什么样”，并且能解释给执行模块听；
• 精细操控需要对像素级位置、姿态与接触过程高度敏感；
• 最麻烦的是：长任务里误差会积累，走错一步，后面每一步都会更难。

很多系统用分层级联：上层出计划、下层出动作。看起来合理，但在真实仓储里常见“断裂感”：计划说得漂亮，执行遇到遮挡、反光、物体轻微偏移后就开始发散。ManualVLA的立场更激进：不拆模型，把计划与动作放进同一套统一架构里协同训练与推理。

ManualVLA的核心机制：先生成多模态“说明书”，再闭环执行

一句话概括：模型先写一本“带坐标、带示意图、带文字步骤”的手册，然后按手册一步步做，做到每一步的预期画面再进入下一步。

多模态说明书到底长什么样？

ManualVLA在推理阶段会同时接收三类输入：自然语言指令、当前场景图像、最终目标图像。随后由“规划专家”输出一份面向下一步的手册，包含：

• 文字：要操作哪些物体、子目标是什么；
• 像素级坐标（UV）：目标物体/接触点在图像中的精确位置；
• 子目标图像：完成这一小步后“应该看到的画面”。

这点对电商仓储特别关键，因为仓库任务往往不是“把A拿起来”这么单一，而是“把A放到B旁边、对齐标签朝外、避免压到易碎品、并保持通道可读码”这种强约束终态。

ManualCoT：把“思考链”变成可控的动作条件

ManualVLA引入了 ManualCoT（说明书思维链），它不是单纯让模型写一段解释，而是把推理真正接入动作生成。

• 显式路径：把坐标提示叠加到当前图像上，形成视觉提示图，相当于在画面上圈出“就操作这里”。
• 隐式路径：说明书生成过程中产生的内部特征通过注意力机制被动作模块读取，持续提供“这一步的目标是什么、完成到什么程度算对”。

实验消融表明，去掉任何一条路径都会显著降低成功率。我的理解是：在真实仓储里，显式提示解决“别拿错”，隐式条件解决“别做到一半就自信结束”。

为什么这对电商与新零售更重要：把“个性化”从推荐扩展到流程

**电商常谈个性化推荐，但下一阶段的差异化会发生在“个性化执行流程”。**ManualVLA的“生成说明书”能力，刚好提供了类比与技术路径。

1）从“给用户推荐清单”到“给机器人生成工单”

推荐系统输出的是商品排序；仓储系统真正需要的是“可执行工单”：

• 对哪个货位（坐标/区域）操作
• 以什么顺序拣选（减少走动、避免拥堵）
• 以什么方式包装（易碎/生鲜/组合装）
• 完成后的目标状态（箱内摆放、称重合规、贴标可读）

ManualVLA的范式提示我们：不必把“规划”和“执行”分给两个松耦合系统。更好的做法是让AI把策略写成“多模态手册”，并把手册直接作为执行条件。

2）智能仓储的核心指标：不是速度，而是“长链路稳定成功率”

仓库里真正昂贵的是返工：拿错、放错、复核失败、异常件回流。ManualVLA在长程任务上相对分层基线平均成功率提升约 32%，并在真实双臂平台的多个任务上带来**15%–30%**的最终完成率提升。

换成仓储语言：

• 成功率提升意味着异常率下降，人工兜底减少；
• 长链路稳定意味着更敢把高价值/高风险工序交给自动化；
• 对未见过目标状态的泛化能力更强，意味着新品上架、包装变更、促销组合时不用频繁改规则。

3）与平台AI能力的“技术呼应”：视觉搜索 + 操作辅助一体化

不少平台已经在做智能视觉（识别、质检、视觉搜索），也在做智能决策（调度、补货、波次）。ManualVLA带来的启发是把它们“连成闭环”：

• 视觉理解不止输出标签，而是输出“下一步的预期画面”；
• 语言理解不止生成文本，而是生成可执行步骤；
• 动作执行不止执行一次，而是闭环对齐到子目标再推进。

这会让“看得懂”和“做得到”之间的鸿沟变窄。

落地到仓储与门店：三个可复制的应用场景

**答案先给：ManualVLA最适合“目标状态清晰、步骤长、容错低”的工序。**下面三个场景最值得优先验证。

场景一：多SKU混合拣选与“目标箱内状态”对齐

混合拣选不仅要拿对，还要放对：同一箱内不同SKU的摆放顺序、朝向、缓冲材料、称重与重心都可能影响破损率与运费。

ManualVLA式手册可以把“箱内完成态”当作目标图像，逐步生成子目标：

1. 先放硬件/重物打底
2. 再放易碎品并添加隔层
3. 最后放轻薄品并对齐条码朝上

每一步都有预期画面与坐标提示，减少“差不多就行”的误差累积。

场景二：退换货分拣与重排（最难的其实是‘恢复秩序’）

退货分拣常见问题是物品状态不确定、包装不完整、码难读。传统自动化容易卡在异常上。

ManualVLA的优势在于：它不是一次性规划全局，而是用子目标把异常逐步消解。例如先把遮挡物移走、再定位可读面、再放入指定周转箱。每一步都能验证是否达到了“预期画面”。

场景三：门店后仓补货与陈列对齐

新零售门店的陈列常常有明确终态（货架面要像样、价签可读、同款齐面）。如果把“标准陈列照片”当作最终目标图像，机器人/协作设备就能按子目标逐步对齐：先清空错误摆放，再按区域补货，最后做齐面。

这对年底促销季尤其实用：陈列变更频繁，规则维护很累，而“目标图像驱动的说明书”更直观。

企业想验证这条路，建议从“数据与流程”三步走

核心原则：先把终态定义清楚，再让AI学会生成中间态，最后把中间态接入执行闭环。

1. 把“终态”产品化：为关键工序建立标准终态（照片/渲染图/三维模型都行），并定义可验收的指标（条码可读、摆放对齐误差阈值、箱内空隙率等）。
2. 构建中间态数据：用仿真/数字孪生合成中间步骤，或者从人工操作视频中抽关键帧形成“手册–动作”对。
3. 上线闭环验证：不要只看单次成功，重点看长链路成功率、异常回退次数、人工兜底时长。这些才是仓储ROI的真实来源。

我更建议把试点放在“高价值、低容错、流程长”的工位，而不是最简单的抓取演示。简单任务看不出范式差异。

写在最后：AI不止会推荐，还会‘把事做完’

ManualVLA最打动我的点是：它把“生成内容”从报告、文案，推进到了可执行的多模态说明书；又把说明书变成动作条件，解决长任务里最头疼的对齐问题。对于「人工智能在科研与创新平台」而言，这就是典型的科研成果外溢：从机器人研究走向产业流程的可复用范式。

如果你正在做智能仓储、门店自动化或供应链数字化，一个很实际的下一步是：选一个目标终态清晰的工序，把“终态—中间态—动作闭环”的链路跑通。跑通一次，后面很多流程优化都会变得更工程化、更可规模化。

你所在的业务里，哪一段“步骤长、终态明确、返工最贵”的流程，最适合先让AI来写说明书？