让VLA从“演示可用”逼近“产线可用”
近日,在艾伦人工智能研究所(AI2)发起的全球权威具身智能零样本评测基准 MolmoSpaces 最新榜单上,魔法原子旗下面向通用机器人操作的 VLM Agent 框架 EchoPolicy-0,以 75.4% 的机器人操作平均成功率位列 MolmoSpaces Combined 榜单全球第一,覆盖全部 4 个 v1 任务。
在同一榜单、同一分组下,魔法原子自研具身智能 Agent 框架 MagicBrain 凭借 3.4B 参数规模,以 72.4% 的机器人操作平均成功率位列 MolmoSpaces Combined 榜单全球第四,其中抓取成功率达到 94.4%,远超行业平均水平。
MolmoSpaces 榜单是目前全球具身智能领域最具公信力的零样本评测基准,面向操作、导航以及更长程的具身任务。MolmoSpaces 生态包含超过 23 万个室内环境与约 13 万个物体资产,为评测提供了丰富的变量场景。机器人需要面对超出固定演示环境的复杂情况,在不同的背景、几何结构与物体分布下搜寻目标,并结合局部条件完成任务。
同时,MolmoSpaces 涵盖了可移动的刚体与带有关节的交互对象。机器人不仅要在图像中精准识别目标,还必须通过真实的物理仿真接触改变物体状态,这让机器人的作业任务具备了实质性的操作难度。
MolmoSpaces 基准明确给出了初始场景、机器人与相机配置、任务指令及成功标准。其详尽的评测清单、统一的计分体系与公开的评测结果,能够将零散的演示转化为可量化比对的数据。魔法原子 EchoPolicy-0 与 MagicBrain 框架参与的四项任务分别涉及自由物体抓取、关节物体交互与多阶段复杂操作,从多个维度全面考察具身智能 Agent 框架的系统级能力,而非单一指标。
2026年以来,具身智能正加速从概念演示迈向真实产线,技术竞争的重心已上移至机器人的“大脑”——具身智能大模型。随着机器人运动控制能力的快速提升,本体更加灵活、耐用,而大模型的实际应用也随着物理能力的拓展而快速演进。相应地,行业的研究焦点正在转向:如何让机器人完成更复杂的任务,以及如何让其快速掌握新任务。MolmoSpaces 的评测同样重点关注具身智能大模型的泛化能力。
魔法原子研发实验室 MagicLab Studio 负责人表示:“在具身大脑的技术路线选择上,我们高度认可分层架构,并发现指令遵循能力是当前模型在通用任务上面临的核心瓶颈。EchoPolicy 通过 Agent 框架及轨迹打分机制来确保指令遵循能力;MagicBrain 则通过端到端视觉引导的方式优化指令遵循效果,两者均取得了亮眼的表现。”
EchoPolicy-0:让机器人跨任务共享一套思考与行动机制
机器人要完成一项操作任务,需要将语言目标、视觉感知与物理动作持续串联起来。例如抓取物体后,需要判断是否真正拿稳;拉开柜门前,需要定位可交互的把手位置;动作若未达预期,则需根据现场反馈动态调整后续计划。
这些动作形式虽异,但本质上都是具身智能机器人跨任务必须面对的共性命题:目标在哪里、当前状态如何、应调用哪项能力、动作是否达成预期,以及遭遇失败后如何恢复。
魔法原子 MagicLab Studio 围绕这些跨任务共性问题,将视觉语言模型(VLM)、几何操作工具与通用动作策略整合为统一的 VLM Agent 框架 EchoPolicy-0,实现了“观察环境—理解目标—选择能力—执行动作—观测验证”的全流程闭环。不同任务均复用这套中枢机制,具体的接触与运动则交由底层执行器完成。
EchoPolicy-0 框架研发负责人表示:“EchoPolicy-0 的通用性体现在能够实现能力的统一调用、组合与验证。当前版本已在 Franka 单臂平台上顺利完成了四类操作验证。”
在视觉-语言-动作(VLA)模型的使用方式上,MagicLab Studio 引入了基于 VLM 目标引导的多候选轨迹选择机制:先由动作模型生成多种可能的候选运动轨迹并投影至图像平面,再依据 VLM 指定的任务目标筛选出最匹配的一条轨迹,并在执行后展开持续验证。这使得高层视觉理解能够实质性参与到底层动作的选择过程中,而非仅仅停留在任务分解层面。
EchoPolicy-0 框架在 MolmoSpaces 的四项操作任务上完成了 3915 局全量评测,取得了 75.4% 的四项任务等权平均成功率。截至 2026 年 10 月 13 日,稳居 MolmoSpaces Combined 榜单全球第一。
MagicLab Studio 将 EchoPolicy-0 在 MolmoSpaces 上的表现视为对统一框架的一次系统级验证,并借助逐局评测数据指导后续技术迭代。EchoPolicy-0 展现出一条面向通用机器人操作的可行路径:通过统一的 Agent 框架调度多样化的操作能力——由 VLM Agent 掌控语义目标与任务状态,由几何工具提供可验证的空间交互,由通用动作策略生成候选方案,经由 VLM 目标引导的轨迹选择约束动作方向,最终依托持续验证闭环将其全面贯通。
针对具身智能模型的落地场景,EchoPolicy-0 解决了一个核心问题:如何确保模型从生成的动作中选出正确方案。该方法无需修改模型输入,而是在输出的多组候选动作中,根据视觉目标筛选出最匹配的一条,并在执行后保持连续验证。对下游客户而言,这种路线的价值远超单点成功率的提升——在新增任务类别时无需推倒重来,只需将新能力无缝接入同一套框架即可。
自研大脑 MagicBrain:让模型看懂关键,推动具身操作走向“产线可用”
具身智能 Agent 框架 MagicBrain 同样出自魔法原子 MagicLab Studio。在 MolmoSpaces 的抓取、抓取放置、打开与关闭四项操作任务中,MagicBrain 完成了 3915 局全量评测,四项 v1 任务平均成功率位列全球第四。其中,抓取(Pick-v1)与抓取放置(Pick & Place-v1)两项任务双双斩获对应单项榜单全球第一,抓取任务成功率更是高达 94.4%。
视觉-语言-动作(VLA)作为当前具身智能领域的核心模型架构之一,其语言遵循能力一直是行业面临的共性瓶颈。让模型执行“把苹果放进篮子”这类指令,需要攻克两个关键环节:首先是理解“苹果”这一语义概念,其次是在像素层面上精确定位哪个物体才是“苹果”。
MagicLab Studio 在研发测试中发现,抓取失败的案例中绝大多数并非由于动作执行不稳定,而是因为抓错了目标或放错了位置。换言之,VLA 在动作层面的学习已经相对成熟,真正的短板在于将名词短语精确绑定到特定图像区域,这也是其训练信号最为稀疏的环节——想抓“苹果”却误抓了旁边的“梨”,问题不在机械手,而在视觉定位。
事实上,VLA 对视觉信号的跟随能力显著强于对纯语言指令的跟随,即“看懂图”的能力优于“听懂话”。为此,MagicBrain 采用了上下文视觉引导(In-Context Visual Guidance)的技术路线:VLA 仅专注于执行动作,而寻找目标的工作则交由更擅长图像解析的 VLM Agent。
未来,这套视觉引导技术还可拓展至人机交互等更多场景——在画面中为模型圈定“该看的内容”绝不仅局限于抓取任务。MagicBrain 提供了一种更为高效的分工范式:语言负责明确“做什么”,像素负责标清“是哪个、在哪里”,将两类信息分别交由各自擅长的模型处理。该方案无需重构模型架构,也无需堆叠庞大参数,仅通过优化信息传递链路便实现了效率跃升。
“我们在 VLA 语言理解的基础上,进一步引导其‘看清’并‘锁定’关键目标,”MagicLab Studio 负责人表示。该路线摆脱了通过大幅堆叠参数换取性能的传统做法,本次参评模型的参数量仅为 3.4B。
这也意味着,任何具备基础数据工程能力的团队都能以较低成本复现该方案,无需盲目卷模型规模即可获得显著增益。在具身智能走向规模化落地的进程中,“解耦组合”的分工协作思路或比“单一全能大模型”更具现实可行性。
在产业落地层面,魔法原子的突破回应了行业痛点:VLA 究竟能否“用得起、用得上”。抓取与放置是具身智能走向工业分拣、仓储物流及家庭服务等真实场景最高频的基础动作。抓取成功率从原有的 70% 跃升至 94.4%,标志着 VLA 正在从“演示可用”跨过“产线可用”的临界门槛。对整个行业而言,基础成功率的每一分突破,都在显著拓宽其商业化落地的场景边界。
魔法原子的“具身大脑”设计哲学
“拿到 MolmoSpaces 榜单全球第一固然重要,但魔法原子更为关注的,是榜单背后的底层命题:具身智能机器人的大脑究竟应该如何构建,其边界又在哪里。”MagicLab Studio 负责人表示。
魔法原子坚信,具身智能应遵循分层协同的演进路线:由上层模型负责宏观理解、任务规划与自主纠错,由底层模型负责将任务意图转化为高精度的物理动作。
上层模型需承载视觉理解、任务拆解、规划决策、错误修正与记忆管理等功能。目前前沿基础模型已具备良好基础,但仍需深度适配具身场景中的空间拓扑、物理规律与持续交互机制。上述负责人认为,行业短期内应着力构建模型运行的基础底座(Harness),将上下文管理、工具调度、执行反馈与评测机制紧密结合,并探索由反馈驱动的迭代优化(包括 RSI 方向);长远来看,则必须依托真实产线数据开展自主训练与后训练,稳步提升模型在具身环境下的原生理解决策水平。
该负责人指出,负责动作生成与底层控制的模型可选用 VLA、WAM 或其他混合架构。架构选型应紧密围绕实际业务目标,重点考量指令遵循度、动作精度、执行效率以及泛化能力。
目前,分层架构在业界虽已达成广泛共识,但关键堵点依然存在:上层的任务意图究竟如何才能被底层模型精准感知并稳定执行。
MagicLab Studio 实验表明,现有动作模型在面临分布外(OOD)场景时,仍易出现目标识别偏差、空间约束理解失误等问题。为此,团队探索了两种互为补充的应对方案:
第一种是位列榜首的 EchoPolicy-0 方案,通过 Agent 智能调度、候选轨迹选择与闭环验证,保障底层执行与上层指令的高度一致。上层模型将任务细化为具体子目标,系统对底层模型生成的多个候选动作轨迹展开综合评估,筛选出与指令意图契合度最高的一项;动作执行完毕后,依据新观测数据评估当前进度,自主决策继续执行、重试、重新规划或安全回退,并视需要调用几何工具辅助操作。
该路线的核心优势在于,无需对底层模型进行二次训练,仅通过优化调度、筛选与验证逻辑便能快速实现技术迭代,显著提升现有模型的复杂任务执行率。
第二种则是 MagicBrain 采用的技术路线,侧重通过显式视觉引导与针对性后训练,强化动作生成阶段的目标对齐能力。
其中上下层间的视觉引导机制极具工程借鉴价值。MagicBrain 将上层解析出的交互目标、放置区域以及短期运动轨迹,以视觉标记的形式直接注入底层模型的观测视图中,使抽象的任务意图与空间图像的具体像素位置建立端到端映射。该方案无需改动 VLA 的网络架构,通过配套的后训练即可让模型自主将视觉标记与操作语义、机械动作紧密联结,从而消除仅依赖自然语言指令带来的歧义。
上述两套方案分别作用于“动作生成”与“执行、选择、验证”两大核心环节,具备天然的互补性:视觉引导赋能底层生成高契合度的动作候选,Agent 调度机制则专注于全局把控、精准优选、连续验证与容错纠偏。
此次 EchoPolicy-0 与 MagicBrain 取得的优异表现,充分验证了双轨路径的有效性。
展望未来,魔法原子表示:“下一阶段,我们将进一步深化两者的技术融合,构建覆盖任务理解到物理执行的全流程反馈闭环;同时深入工业产线环境,持续打磨任务成功率、运行稳定性与综合部署成本,完善与之相匹配的数据与模型中台。我们将把经验证的能力沉淀为可复用的技能模块、标准接口与行业解决方案,系统化沉淀成功经验、失败工况与人工纠错数据,构建起‘部署—采集—训练—评测—再部署’的良性飞轮,加速将工程经验转化为自主进化的基础模型能力。”