魔法原子具身Agent框架拿下MolmoSpaces全球第一

來源原標題

魔法原子具身Agent框架拿下MolmoSpaces全球第一

作者

量子位的朋友们

原始標籤

資訊 · 具身智慧 · 魔法原子

原始連結

https://www.qbitai.com/2026/10/503107.html

摘要原文

魔法原子具身Agent框架拿下MolmoSpaces全球第一 量子位的朋友們 2026-10-13 19:05:39 來源： 量子位 讓VLA從“演示可用”逼近“產線可用” 近日，在由艾倫人工智慧研究所（AI2）發起的全球權威具身智慧零樣本評測基準MolmoSpaces最新榜單上，魔法原子旗下面向通用機器人操作的VLM Agent框架EchoPolicy-0以75.4%的機器人操作平均成功率位列MolmoSpaces Combined榜單全球第一，覆蓋全部4個v1任務。 同一榜單、同一分組下，魔法原子自研具身智慧Agent框架MagicBrain憑藉3.4B參數規模，以72.4%的機器人操作平均成功率位列MolmoSpaces Combined榜單全球第四，其抓取成功率達到94.4%，遠超行業平均水平。 MolmoSpaces榜單是目前全球具身智慧領域最具公信力的零樣本評測基準，面向操作、導航與更長程的具身任務。MolmoSpaces生態包含超過23萬個室內環境、約13萬個物體資產，為評測提供了豐富的變化來源。機器人需要面對超出固定演示環境的情況，在不同背景、幾何結構與物體分佈下尋找目標，並根據局部條件完成任務。 同時，MolmoSpaces包含可移動的剛體物體和帶關節的互動物件，機器人不僅要在影像中找對目標，還必須通過真實的模擬接觸改變物件狀態，讓機器人的作業任務具有實質難度。 MolmoSpaces的基準明確給出初始場景、機器人與相機配置、任務指令和成功條件，完整清單、統一計分與公開結果能夠把零散演示轉化為可比較的資料。魔法原子EchoPolicy-0與MagicBrain框架參與的四項務分別涉及自由物體抓取、關節物體互動和多階段操作，從不同側面考察具身智慧Agent框架的系統能力，而不是隻看一個單項指標。 2026年以來，具身智慧正從演示階段走進真實產線，競爭重心上移到機器人的“大腦”——具身智慧大模型。隨著機器人運動控制能力快速提升，機器人的身體更靈活、更耐用，大腦的實際應用也隨身體邊界的開啟而快速演進。相應地，市場的研究方向正在轉向：如何完成更複雜的任務，如何快速上手新任務。MolmoSpaces的評測，也同樣關注具身智慧大模型的泛化能力。 魔法原子研發實驗室MagicLab Studio負責人表示：“在具身大腦路線的選擇上，我們認可分層架構這種方式，並發現指令遵循能力是當前模型在通用任務上遇到的一個難點。EchoPolicy通過Agent框架及軌跡打分的方式來保證指令遵循能力；MagicBrain通過端到端視覺引導的方式來最佳化指令遵循效果，兩者均取得了較好的結果。” EchoPolicy-0 ：讓機器人多工共享一套思考與行動方式 機器人要完成一項任務，需要把語言目標、視覺觀察與物理動作持續連線起來。例如抓住物體之後，要判斷是否真的拿穩；開啟櫃門之前，要找到可互動的位置；一次動作沒有達到預期，機器人需要根據新情況調整計劃。 這些動作看起來不同，但屬於具身智慧機器人跨任務需要面對的共通問題：目標在哪裡，當前狀態是什麼，應該呼叫哪種能力，動作是否達到目的，以及失敗後如何繼續。 魔法原子MagicLab Studio圍繞這些跨任務共通的問題，將視覺語言模型、幾何操作工具與通用動作策略組織為統一的VLM Agent框架EchoPolicy-0 ，讓觀察環境、理解目標、選擇能力、執行動作，以及觀測驗證結果形成閉環。不同任務共享這套機制，具體的接觸和運動由相應執行器完成。 EchoPolicy-0框架研發負責人表示：“ EchoPolicy-0的通用性體現在讓能力能夠被統一呼叫、組合和驗證。 EchoPolicy-0當前版本已在Franka單臂平臺上完成四類操作驗證。” 在VLA的使用方式上，魔法原子MagicLab Studio引入了VLM目標引導的多候選軌跡選擇：讓動作模型先提出多種可能的運動，將候選投影到影像平面，再依據VLM指定的目標選擇更匹配的軌跡，並在執行後持續驗證。高層視覺理解由此參與低層動作選擇，而不僅停留在任務分解。 EchoPolicy-0框架在MolmoSpaces的四項操作任務上完成了3915局全量評測，取得了75.4% 的四項任務等權平均成功率，截至2026年10月13日，位列MolmoSpaces Combined榜單球第一。 魔法原子MagicLab Studio將EchoPolicy-0框架在MolmoSpaces上的四項評測視為統一框架的一次系統驗證，同時用逐局結果指導後續迭代。EchoPolicy-0展示了一條面向通用機器人操作的系統路線，統一Agent框架能夠組織不同型別的操作能力：由VLM Agent組織語義目標和任務狀態，由幾何工具提供可檢查的空間互動，由通用動作策略生成候選，通過VLM目標引導的軌跡選擇約束動作方向，再由持續驗證把它們連線起來。 EchoPolicy-0針對具身智慧模型落地場景，回答了一個問題：模型提出來的動作，怎麼保證選的是對的那一個。 它不改模型的輸入，而是在模型給出的多套候選動作裡，按視覺目標篩出更匹配的一條，並在執行後持續驗證。對下游客戶而言，這條路線的價值不在單點成功率上——新增一類任務時，不必再從零搭一套系統，只要把能力接進同一套框架即可。 自研大腦：MagicBrain讓模型能“看見” 從“演示可用”逼近“產線可用” 具身智慧Agent框架MagicBrain來自魔法原子MagicLab Studio ，在MolmoSpaces的抓取、抓取放置、開啟與關閉四項操作任務上， MagicBrain完成了3915局全量評測，四項v1任務平均成功率全球第四。其中，抓取（Pick-v1）、抓取放置（Pick & Place-v1）兩項任務均拿下了所在任務榜單的全球第一，抓取任務成功率更是高達94.4%。 視覺-語言-動作（VLA）是當前具身智慧領域備受關注的一類模型架構，其語言跟隨能力是行業內一個由來已久的共性問題。讓模型執行“把蘋果放進籃子”這類指令，包含了兩件對它並不容易的事：先理解“蘋果”這個名詞，再在畫素層面找出哪個是“蘋果”。 魔法原子MagicLab Studio在研發測試中發現，抓取失敗的案例裡，絕大多數不是動作執行不穩，而是抓錯了物件，或者放錯了位置。換句話說，VLA在動作學習上已經足夠強，真正的短板在把名詞短語綁定到影像區域，這也是它訓練訊號最稀疏的一環——想抓“蘋果”卻抓成旁邊的“梨”，錯不在手，而在眼睛。 實際上，VLA對視覺訊號的跟隨能力，強於對語言指令的跟隨：“聽懂話”是VLA的短板，“看懂圖”才是長板。為此，MagicBrain採用了一套被稱為In-Context Visual Guidance（上下文視覺引導）的技術路線，VLA只負責做動作，找目標這件事，交給更擅長看圖的VLM Agent。 未來，這套視覺引導技術也可以遷移到互動等更多場景——畢竟，給模型“畫”出該看的東西，不只適用於抓取。MagicBrain提供了一個更省力的分工範式。語言說清“做什麼”，畫素說清“是哪個、在哪裡”，把兩路資訊各交給擅長的模型，它沒有引入新的模型結構，沒有堆砌更大的參數量，只是重新排布了資訊的傳遞路徑。 “我們在VLA理解語言的基礎上，讓它進一步去‘看見’，並且知道該看什麼”，魔法原子MagicLab Studio負責人表示，這一技術路線不依賴提升參數規模來換取大模型效能，此次參與評測的模型參數規模僅為3.4B。 這意味著，任何具備基礎資料能力的團隊都能低成本復現，不卷模型大小也能拿到增益——在具身智慧走向規模化的路上，“組合而非全能”的分工思路，或許比“一個模型通吃”更接近現實。 行業層面，魔法原子回答了一個備受關注的問題：VLA到底能不能用得起、用得上。抓取與放置是具身智慧從實驗室走向真實場景的高頻基礎動作——工廠分揀、倉儲搬運、家庭整理都依賴它。抓取成功率從此前70% 到94.4% 的跨越，意味著VLA正從“演示可用”逼近“產線可用”的臨界線。對行業而言，每一點成功率提升，都在擴大可商業化的場景邊界。 魔法原子的 “具身大腦” 設計哲學 “在MolmoSpaces榜單上拿到了全球第一，但魔法原子關心的，是榜單背後那個真正的問題：具身智慧機器人的大腦，到底應該怎麼長，長在哪裡。”魔法原子MagicLab Studio負責人表示。 魔法原子認為，具身智慧應沿著分層協同的技術路線推進：由上層模型負責理解、規劃與糾錯，由底層模型負責將任務意圖轉化為可靠的物理動作。 上層模型要承擔視覺理解、任務分解、規劃決策、錯誤修正和記憶管理。目前前沿基礎模型在這些方面已有較好基礎，但仍需針對具身場景中的空間關係、物理約束和持續互動做適配。上述負責人認為，行業短期應重點建設圍繞模型執行的Harness，將上下文管理、工具呼叫、執行反饋和評測機制組織起來，並探索以反饋驅動的迭代最佳化，包括RSI方向；長期則需要依託真實場景資料開展自主訓練與後訓練，逐步增強模型本身的具身理解和決策能力。 該負責人表示，承擔動作生成與控制執行的底層模型，可以採用VLA、WAM或其他混合架構。架構選擇應服務於實際任務，重點考察指令遵循、動作精度、執行效率及泛化能力。 目前，分層架構本身在行業內已被廣泛討論，其中一個關鍵問題仍未得到充分解決：上層的任務意圖，如何被底層準確理解並穩定執行。 魔法原子MagicLab Studio在實驗中發現，現有動作模型在分佈外（OOD）場景下仍容易出現目標選擇錯誤、空間約束理解偏差等情況。為此，團隊嘗試了兩種互補的解決思路。 第一種是本次拿下MolmoSpaces榜單第一的EchoPolicy-0，通過Agent排程、候選選擇和閉環驗證，提高執行與指令的一致性。其中，上層模型將任務分解為明確的子目標，系統對底層模型生成的多條候選動作軌跡進行評估，選擇更符合當前指令的候選；執行後，再依據新觀測判斷進展，決定繼續、重試、重規劃或回退，並按需呼叫幾何工具完成特定操作。 這一技術路線的優勢在於可以在不重新訓練底層模型的情況下，通過改進排程、選擇和驗證機制快速迭代，提升已有模型的任務完成能力。 MagicBrain的思路是通過顯式視覺引導和配套訓練，提高動作生成階段的目標對齊能力。 其中值得借鑑的是上下層之間的視覺引導機制。MagicBrain將上層識別出的互動目標、放置區域以及短期運動歷史，以視覺標記的形式注入底層模型的觀測，讓任務意圖直接對應到影像中的具體位置。該方法無需改變VLA的網路架構，通過配套後訓練，使模型學會將視覺標記與操作語義、動作行為聯絡起來，從而降低僅依賴語言指令時的歧義。 兩種思路分別作用於“動作生成”與“執行、選擇、驗證”兩個環節，具有較強的互補性：視覺引導幫助底層生成更符合目標的動作，Agent排程則負責選擇、執行、檢查和糾錯。 此次EchoPolicy-0拿下第一、MagicBrain拿下第四，兩條路徑的有效性都得到了驗證。 談及未來，魔法原子表示：“下一階段，我們將進一步探索二者結合，形成從任務理解到物理執行的完整反饋閉環，並進入真實工業場景，持續檢驗任務成功率、執行穩定性和部署成本，並在這一過程中完善資料與模型平臺。將經過驗證的能力沉澱為可複用的技能模組、標準介面和解決方案，同時系統積累成功、失敗及人工糾正資料，建立“部署—採集—訓練—評測—再部署”的持續迭代機制，推動工程經驗轉化為基礎模型能力。” 版權所有，未經授權不得以任何形式轉載及使用，違者必究。 具身智慧 魔法原子 量子位的朋友們 梁文鋒投了Swin Transformer作者！DeepSeek開始佈局具身大腦 2026-10-13 “模態進化”：第八屆億邦產業網際網路年會暨首屆產業智慧體大會雙會合體定檔 2026-10-13 優必選上榜 2026 年《財富》全球未來成長 120 強，位列全球第 11、中國企業第一 2026-10-13 具身智慧回到產業現場， 思靈機器人Agile Robots攜12款展品亮相2026工博會 2026-10-12 相關閱讀