具身智能大脑路线之争：从MolmoSpaces榜单看分层Agent框架的落地逻辑

bingdada

十月 14, 20265 次阅读约 9 分钟阅读

快速回答

在AI2发起的MolmoSpaces零样本评测基准上，魔法原子EchoPolicy-0以75.4%的平均成功率位列Combined榜单全球第一，MagicBrain以3.4B参数取得72.4%位列第四。两者分别从执行验证与动作生成两个环节，验证了分层Agent框架推动VLA从演示可用走向产线可用的可行性。

核心要点

MolmoSpaces包含超23万个室内环境与约13万个物体资产，是具身智能领域公信力较高的零样本评测基准。
EchoPolicy-0通过VLM目标引导的多候选轨迹选择与闭环验证，在不重新训练底层模型的前提下提升任务完成能力。
MagicBrain采用上下文视觉引导，让VLM负责找目标、VLA负责做动作，3.4B参数即取得抓取94.4%的成功率。
两条路径分别作用于动作生成与执行验证环节，具有互补性，下一阶段将探索结合形成完整反馈闭环。
抓取成功率从约70%提升到94.4%，意味着VLA正逼近产线可用的临界线，商业化场景边界随之扩大。

具身智能的竞争重心，正在从「身体」转向「大脑」

当机器人运动控制能力逐渐成熟，行业关注的焦点开始上移——真正决定机器人能否走出演示、进入产线的，不再是关节有多灵活，而是它能否理解任务、选对目标、并在失败后自我修正。

2026年10月，艾伦人工智能研究所（AI2）维护的具身智能零样本评测基准 MolmoSpaces 更新了最新榜单。来自魔法原子 MagicLab Studio 的两套具身 Agent 框架同时进入 Combined 榜单前列：EchoPolicy-0 以 75.4% 的四项任务等权平均成功率位列全球第一，覆盖全部 4 个 v1 任务；自研大脑 MagicBrain 则以 3.4B 参数规模取得 72.4% 的平均成功率，位列全球第四，其中抓取成功率达到 94.4%。

这两个数字背后，其实指向同一个问题：具身智能大模型到底应该怎么「长」？

为什么 MolmoSpaces 的评测值得认真看

与许多只考察单一动作指标的榜单不同，MolmoSpaces 的设计更接近真实世界的复杂性。其生态包含超过 23 万个室内环境与约 13 万个物体资产，机器人需要在不同背景、几何结构和物体分布下寻找目标，而不是在固定演示环境里复现动作。

更关键的是，榜单同时包含可移动刚体与带关节的交互对象。机器人不仅要「看到」目标，还必须通过真实的仿真接触改变对象状态——这意味着任务具有实质性的物理难度。评测明确给出初始场景、机器人与相机配置、任务指令和成功条件，统一计分、公开结果，把零散的演示视频转化为可比较的数据。

魔法原子参与的四项任务分别涉及自由物体抓取、关节物体交互和多阶段操作，从不同侧面考察框架的系统能力，而非单一指标。

两条互补的技术路径

EchoPolicy-0：让动作「选得对」

机器人完成任务时面对的跨任务共性问题其实很一致：目标在哪里、当前状态是什么、该调用哪种能力、动作是否达到目的、失败后如何继续。

EchoPolicy-0 的思路是把视觉语言模型、几何操作工具与通用动作策略组织为统一的 VLM Agent 框架，让「观察—理解—选择—执行—验证」形成闭环。其核心机制是 VLM 目标引导的多候选轨迹选择：动作模型先提出多种可能的运动轨迹，将其投影到图像平面，再依据 VLM 指定的目标选择更匹配的一条，并在执行后持续验证。

这意味着高层视觉理解不再只停留在任务分解阶段，而是直接参与低层动作选择。对下游客户而言，价值不在单点成功率——新增一类任务时，不必从零搭建系统，只要把能力接入同一套框架即可。

MagicBrain：让模型「看得准」

抓取失败的案例中，绝大多数并非动作执行不稳，而是抓错了对象或放错了位置。换句话说，VLA 在动作学习上已经足够强，真正的短板在于把名词短语绑定到图像区域——想抓「苹果」却抓成旁边的「梨」，错不在手，而在眼睛。

MagicBrain 采用 In-Context Visual Guidance（上下文视觉引导）路线：VLA 只负责做动作，找目标这件事交给更擅长看图的 VLM Agent。上层识别出的交互目标、放置区域以及短期运动历史，以视觉标记的形式注入底层模型的观测，让任务意图直接对应到图像中的具体位置。该方法无需改变 VLA 网络架构，通过配套后训练即可让模型学会将视觉标记与操作语义、动作行为联系起来。

值得注意的是，此次参与评测的模型参数规模仅为 3.4B，不依赖参数堆砌换取性能。这意味着具备基础数据能力的团队也能低成本复现——在具身智能走向规模化的路上，「组合而非全能」的分工思路，可能比「一个模型通吃」更接近现实。

分层架构：共识之下的未解难题

分层协同在行业内已被广泛讨论：上层模型负责理解、规划与纠错，底层模型负责将任务意图转化为可靠的物理动作。但一个关键问题仍未充分解决——上层的任务意图，如何被底层准确理解并稳定执行？

魔法原子 MagicLab Studio 在实验中发现，现有动作模型在分布外（OOD）场景下仍容易出现目标选择错误、空间约束理解偏差。EchoPolicy-0 与 MagicBrain 恰好分别作用于「执行、选择、验证」与「动作生成」两个环节，具有较强的互补性：视觉引导帮助底层生成更符合目标的动作，Agent 调度则负责选择、执行、检查和纠错。

从行业视角看，抓取成功率从此前约 70% 提升到 94.4%，意味着 VLA 正从「演示可用」逼近「产线可用」的临界线。工厂分拣、仓储搬运、家庭整理都依赖抓取与放置这类高频基础动作，每一点成功率提升，都在扩大可商业化的场景边界。

国内视角：具身大脑的路线选择

在具身智能大模型这条赛道上，国内玩家并不缺席。DeepSeek 近期被曝布局具身大脑方向，智谱 GLM 系列持续在多模态理解与工具调用上迭代，通义千问、文心一言、豆包、Kimi 等也在视觉语言模型能力上不断推进。与海外侧重端到端 VLA 的路线相比，国内团队在「上层 VLM + 底层动作策略」的分层组合上探索更为积极，这与国内制造业场景丰富、对部署成本敏感的特点有关。

差异在于数据与场景：海外团队更依赖大规模仿真基准（如 MolmoSpaces）进行零样本评测，国内团队则往往结合真实产线数据做后训练。两条路线并非对立——仿真提供可比较的标尺，真实场景提供不可替代的反馈，如何打通「部署—采集—训练—评测—再部署」的闭环，是共同课题。

下一阶段：从单点验证到完整闭环

据魔法原子方面透露，下一阶段将探索 EchoPolicy-0 与 MagicBrain 的结合，形成从任务理解到物理执行的完整反馈闭环，并进入真实工业场景，持续检验任务成功率、运行稳定性和部署成本。同时系统积累成功、失败及人工纠正数据，建立持续迭代机制，把经过验证的能力沉淀为可复用的技能模块、标准接口和解决方案。

榜单排名只是阶段性坐标。真正值得关注的，是榜单背后那个问题：具身智能机器人的大脑，到底应该长在哪里。

常见问题

MolmoSpaces 是什么？为什么它被视为权威评测基准？

MolmoSpaces 由艾伦人工智能研究所（AI2）发起，是面向具身智能的零样本评测基准，覆盖操作、导航与更长程任务。其生态包含超过 23 万个室内环境和约 13 万个物体资产，统一给出初始场景、配置、指令和成功条件，结果公开可比较，因此被广泛视为具身智能领域公信力较高的评测之一。

EchoPolicy-0 和 MagicBrain 有什么区别？

EchoPolicy-0 是一套统一的 VLM Agent 框架，核心在于通过 Agent 调度、多候选轨迹选择和闭环验证，提升执行与指令的一致性；MagicBrain 则侧重在动作生成阶段引入上下文视觉引导，让模型「看见」该看的目标。前者作用于执行、选择与验证环节，后者作用于动作生成环节，两者互补。