跳转到内容
主站 新闻 控制台

告别数据堆砌,让机器人读懂物理世界:招商局狮子山实验室发布「驭物™ Lion-ER-35B-A3B」具身推理模型

· 量子位
国内AI

仅激活3B参数,十项基准全线提升!

日常生活里人类的直觉判断,放在机器人身上,往往会变成棘手的难题。

在视频画面中,物体位置看上去更高,并不等同于它在真实三维空间里处于更高位置;更换拍摄角度后,家具外观虽发生改变,但它仍是同一个物体;画面内物体产生位移,既可能是物体本身在移动,也可能仅仅是相机镜头发生了转动……

这些细微的空间与状态变化,人类一眼就能分辨,但对机器人的“具身大脑”而言,却是难以攻克的瓶颈。

视角变化混淆物体身份、误判相机运动、错估任务进度,都会直接导致机器人执行任务失败。

若想让机器人可靠地完成现实任务,模型就不能仅仅做到“看见物体”,更要读懂三维空间关系、捕捉物体状态变化并准确研判任务所处阶段。

近日,招商局先进技术研究院下属狮子山人工智能实验室发布了具身推理视觉语言模型——「驭物™ Lion-ER-35B-A3B」。该模型采用 MoE(混合专家)架构,总参数约 35B,每个 Token 仅激活约 3B 参数。

在不显著增加推理开销的前提下,该模型在十项主流具身相关基准评测中实现了指标全线上涨,多项核心能力超越更大参数量的主流模型,走出了一条区别于大规模堆砌训练数据的技术路线,有助于机器人真正理解三维物理世界。

Image 3

这套模型是怎么炼成的?

过去几年,Open X-Embodiment、DROID 等工作不断拓展着真实世界机器人数据的边界。但随着数据规模的扩大,一个问题也愈发凸显:

更多的数据,并不等同于更强的能力。

已有研究表明,在现有的机器人数据集内,仅调整不同数据域的训练权重,就能对下游任务的表现产生显著影响。

「驭物™ Lion-ER-35B-A3B」的核心亮点并非单纯堆砌模型参数,而是搭建了一套能力牵引的具身数据引擎,摒弃盲目收集海量数据的传统做法,转而围绕模型所需掌握的核心能力展开正向设计,再依托严谨评测发现短板,实现闭环迭代与数据优化。

Image 4 能力牵引的具身数据引擎

第1步:明确模型该学会什么

招商局狮子山团队梳理出了一张细粒度的“能力蓝图”:

他们将具身推理拆解为**“实体、空间、时序、物理、可供性、任务、社会、证据”等 8 个一级领域,并进一步细化出 39 项二级能力;同时将推理方式**、输入形式和回答形式作为独立维度分别标注,避免因分类维度混用而造成定义重叠。

蓝图不仅定义了模型需要学习哪些能力,还明确了这些能力应当在何种条件下被调用。

现实任务往往涉及复合能力。例如判断物品是否放置到位,既需要理解任务进度,也需要空间关系推理。

因此,团队在制定蓝图阶段就分别记录了主能力与辅助能力,并将不可拆分的联合任务单独列出。

在训练采样阶段,团队还会全面权衡不同因素的组合与留出,避免某类能力始终与少数固定的场景、物体或提问方式发生强绑定。

第2步:把抽象要求变成一道道训练题目

有了能力蓝图,该如何落地并生成具体的训练题目?

团队将这套流程命名为**“能力编译”**:

将抽象的能力目标,逐项拆解并落实为“需要配置什么场景、如何组织视觉观察、提出什么问题、依据什么确定标准答案”。

以跨视角推理为例,首先需要明确提供给模型的视角数量、需在多张画面间建立关联的目标物体,以及判定方位时所依据的观测者位置与朝向。

同时还要严格核验素材本身:模型所获取的视觉信息,是否足以支撑其推导出可靠答案。如果关键视角缺失、证据不足,导致该题只能依赖猜测解答,则一律不得纳入合格训练样本。

这类构题规范完全由目标能力驱动,无须等到评测暴露错题之后才被动补充数据。

能力蓝图预先规划了必须覆盖的能力范围,评测则承担起查漏补缺的职责,用于精准定位模型依然薄弱的环节。

第3步:保证每道训练题目有据可依

在构题方式层面,团队设计了三条可互相组合的路径:从已有 QA 与视觉标注中转换、从观察素材中发现证据,以及从结构化条件与关系中推导。这三条路径协同发力,共同把抽象的能力要求转化为一道道具体、可作答的训练题目。

Image 5 三种构题方式示意图

在监督核验层面,团队采用了数据提纯、几何构题与定向合成三条互补路线:

  • **数据提纯:**对已有数据进行深度清洗与修订,细致排查图像顺序、问题指代、选项与答案映射,修复有据可查的错误,并严格控制重复曝光率。
  • **几何构题:**针对具备可靠位姿、深度和物体对应关系的素材,先计算出确定答案及推理所需的中间几何关系,再引导模型在这些事实约束下生成问题与解释。
  • **定向合成:**在现有监督信号不足时,基于真实图像或视频素材定向构造问答。合成的内容仅限于问题与标注,生成模型给出的答案绝不直接作为真值,必须经过独立作答交叉验证或严格的人工审核。

Image 6 三条监督路线

整套流程始终贯彻一项核心原则:保留有证据的难题,剔除缺证据的“伪难题”。

模型答错,不是随意删除样本的理由;多个模型给出相同答案,同样不能单独证明该答案正确。

针对模型持续失误的高难样本,团队进一步引入了 Human-in-the-loop(人在回路)复核机制,搭建了面向复杂具身任务的可视化核验平台。通过多视角对照、时序回放与关键证据标记等功能强化人工审查,帮助审核人员充分还原视觉线索与推理依据,避免将模型的能力边界问题误判为数据质量缺陷。

第4步:评测结果直接反哺数据迭代

有了合格的训练题目,还必须做好训练资源的精准分配。

「驭物™ Lion-ER-35B-A3B」的监督训练集共包含 312,380 条样本。训练时严格按照能力需求分配预算,而非单纯依据数据源的样本量决定权重。

样本重点覆盖空间几何、多视角对应、动作轨迹和任务规划等核心具身能力。团队着力减少同质化重复题目,将宝贵的训练资源向薄弱的推理类型倾斜。样本从候选、审核到入训全程留痕,确保训练配方可追溯、可调整。

Image 7 31.2万监督样本的能力构成图

正向设计建立了完备的能力覆盖,但模型是否真正掌握、何处仍存盲区?

这一环节由 Eval-Driven Data Harness 全权承接。

这是一套高效的数据迭代机制,旨在从模型的错题中精准挖掘亟待补强的能力短板,并将其转化为下一轮可执行的数据生产需求。

在 Harness 机制下,评测不再是训练结束后的静态“成绩单”,而是驱动下一轮数据生产的全新起点。

一旦发现错题,首先核查标注、画面证据及评分逻辑是否存在纰漏,进而区分偶发失误与系统性能力短板。确认存在能力缺口后,再从覆盖 31 个数据源、约 430 万条记录的海量素材池中,定向检索推理逻辑相同但场景不同的新素材,经构题核验后补充加入训练,最终通过新一轮评测闭环验证提升效果。

Image 8 一次评测失败,如何变成一批新的训练数据

例如,针对模型容易将画面二维上/下位置等同于三维空间高度的问题,团队优先挑选了具有上下多层放置支撑面的复杂场景,促使模型必须结合空间几何结构判断高低;同时在左/右、前/后关系中增加遮挡与透视变化,专门覆盖易混淆边缘情况。

团队还会结合实例分割、深度图与几何约束,严格核验放置区域的物理合理性。

Image 9 “画面里更靠上”≠“空间里更高”,失败模式直接改写下一轮的数据条件

简而言之,能力蓝图明确了覆盖方向,Eval-Driven Data Harness 则持续校准认知盲区。

数据由此告别了一次性的静态供给,转变为伴随模型能力共同进化的动态资产。

仅激活约3B参数,十项基准全部提升

在能力牵引数据引擎的加持下,「驭物™ Lion-ER-35B-A3B」以仅约 3B 的推理激活参数量,在十项公开基准评测中全部实现了正向增长,部分关键指标甚至超越了更大参数规模的模型。

评测统一采用 avg@4 口径(即每道题目由模型独立作答 4 次并取平均分)。

在涵盖的十项公开基准中,「驭物™ Lion-ER-35B-A3B」的等权综合平均分达到了 65.29。

Image 10 十项基准逐项对比柱状图,蓝色为「驭物™ Lion‑ER‑35B‑A3B」

从单项测试成绩来看:

  • Where2Place 空间放置评测得分达 64.28,较基座模型提升 9.30 分;
  • ERQA 具身推理基准得分达 64.38,较基座模型提升 6.19 分;
  • 空间推理基准 SAT 达到 89.33;
  • ERQA 轨迹理解子项达到 68.18,相较基座模型大幅提升 12.12 分。

Image 11 十项基准完整成绩(avg@4),蓝色列为「驭物™ Lion‑ER‑35B‑A3B」

Image 12 ERQA各能力类别成绩对比(avg@4),蓝色列为「驭物™ Lion‑ER‑35B‑A3B」

综合测评结果显示,「驭物™ Lion-ER-35B-A3B」在所有十项基准上的得分均显著优于所采用的基座模型。

四道公开基准题目,直观看到能力差距

以下四道评测案例均摘自公开测试集。针对同一题目,「驭物™ Lion-ER-35B-A3B」、基座模型 Qwen3.6-35B-A3B 以及 Qwen3.6-27B 分别进行了 4 次独立作答测试。

题目1:辨方向,相机到底向哪边转动?

两张输入图像来自机械臂第一人称视角相机的连续抓拍:画面中的瓶子整体向上偏移,要求模型判断相机正在朝哪个方向转动。

基座模型仅答对 1 次,Qwen3.6-27B 全部答错;而「驭物™ Lion-ER-35B-A3B」准确捕捉到两帧画面的视差变化规律,正确推断出相机正在向下转动,4 次作答全部正确。

对机器人而言,画面内物体发生相对位移时,首要前提是厘清运动源头:究竟是物体本身在位移,还是相机姿态发生了转动。

Image 13 虚线为同一高度参考线:t₂中,瓶子在画面里整体上移

题目2:选轨迹,哪条路径可以完成任务?

画面中预设了四条不同颜色的运动轨迹候选。机械臂的任务目标是将充电器从插线板上拔下并移至画面右侧,模型需选择出正确的可行路径。

两个对比模型均被向右延伸的紫色长弧线误导并做出了错误选择。该轨迹虽然看似通向目标区域,但其起点根本无法触及充电器;若连操作目标都未能接触,拔取与放置等后续动作显然无法执行。

「驭物™ Lion-ER-35B-A3B」则能逐一逻辑排除无效路线:红色轨迹偏向插线板左侧,紫色无法接触目标,黄色延伸至后方软管;唯有橙色轨迹能够准确抵达充电器完成拔除,并顺利转运至右侧预定区域,4 次作答全部命中正确答案。

该题核心考察的是将目标意图、行进路线与物理动作进行闭环映射的能力——不仅要研判路径终点,更要校验整条轨迹能否有效作用于目标物体。

Image 14 四条候选轨迹中,只有橙色能完成“拔下并放到右侧”

题目3:跨视角,挂画在拍摄者哪一侧?

题目给出了在同一室内场景拍摄的三张照片,其中蝴蝶挂画仅在第三张照片中可见。题目要求模型推断在拍摄第一张照片时,挂画位于拍摄者的哪一侧方位。

解答该题需要模型具备串联多张画面并精神重建三维空间布局的能力。挂画位于第三张图的客厅墙面,结合另外两张图可完整还原全局空间结构:拍摄第一张照片时,拍摄者正处于楼梯底部并面朝台阶,此时客厅位于其身后,因此挂画必然处于拍摄者的后方。

两款对比模型均错误作答为“左侧”,4 次作答无一正确;「驭物™ Lion-ER-35B-A3B」的 4 次推断则保持全对。

识别画作属于基础视觉感知,本题难点在于必须自主切换至指定视角与朝向,完成复杂的跨视角空间三维逻辑推理。

Image 15 需要把三张照片拼成一张“心理地图”,再换回照片1的视角作答

题目4:看进度,这一步任务做完了吗?

这是一段机器人操作视频,任务目标是将桌面上的寿司卷放入锅中。考查问题为:在视频当前帧切片下,第一阶段“移动至寿司卷”是否已经执行完毕?

基座模型在 4 次测试中有 3 次误判该步骤为“已完成”,Qwen3.6-27B 亦有一半几率产生相同误判;「驭物™ Lion-ER-35B-A3B」在 4 次作答中均准确识别为“尚未完成”。

该测试点的破局核心,在于精确区分机械臂“正在靠近寿司卷”与“已经精确到位”两种物理状态。

画面中发生动作动作并不等于任务步骤已经达成。模型必须严密监测运动引发的状态跃迁,核对目标终态是否真正满足。若错误研判进度,机器人极易提前调用后续动作序列,引发整个时序规划链路崩塌。

Image 16 “靠近了”与“到位了”,在画面上只差一小段位移

以上四道案例分别对应相机运动解析、交互轨迹规划、跨视角空间映射以及动作时序进度研判,构成了机器人将高层自然语言指令切实转化为物理操作的核心技术基石。

具身大模型不仅要看懂画面,更要理解物理现实

当下,具备多轮对话与通用图像理解能力的多模态大模型已司空见惯,但真正面向现实物理世界、能够赋能实体机器人的“具身大脑”依然匮乏。

机器人若要在现实环境中实现鲁棒作业,就绝不能停留在二维画面的表象识别上,而是必须深刻区分视觉投影与真实三维物理空间。

「驭物™ Lion-ER-35B-A3B」所呈现的,不仅是一组优异的评测数据,更是一套成熟且可复现的方法论:

让能力成为数据设计的核心单元,让评测成为数据驱动生产的直接源头。 从能力蓝图构建到数据配方调优,从单次评测遇阻到下一批针对性样本生成,每一步都具备明晰的目标导向、可靠的证据依托与端到端的追溯链路。

目前,「驭物™ Lion-ER-35B-A3B」模型权重已在 Hugging Face 全面开源,采用 BF16 Safetensors 格式,原生兼容 Transformers、vLLM、SGLang 等业界主流推理框架。

开发者可围绕空间关系理解、场景状态分析、任务进度研判以及物理空间约束等维度展开适配评估,结合具体的图像、视频及作业流,深度探索具身问答、场景智能决策与机器人系统集成落地。

招商局狮子山人工智能实验室表示,后续团队将继续围绕具身 Agent 展开演进,重点扩充工具调用、多轮交互机制与物理执行反馈等方面的高阶训练数据,攻关长程复杂任务中的连续决策与自主容错恢复,不断升级这套能力驱动的数据引擎,为机器人在真实物理环境中的常态化作业提供扎实的技术支撑。

Hugging Face 模型地址:
https://huggingface.co/cmriat/lion-ER-35B-A3B