魔法原子具身框架斩获MolmoSpaces第一，抓取率达94.4%

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 最新榜单中，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% 的平均成功率斩获 MolmoSpaces Combined 榜单全球第一，覆盖了全部 4 项 v1 任务。

在同一榜单和分组下，魔法原子自研具身智能 Agent 框架 MagicBrain 凭借仅 3.4B 的参数规模，以 72.4% 的平均成功率位列全球第四。其中，其抓取成功率高达 94.4%，展现出卓越的泛化表现。

从固定演示走向真实接触

MolmoSpaces 是目前具身智能领域最具公信力的零样本基准之一，覆盖操作、导航与长程具身任务。其评测环境包含超过 23 万个室内场景和约 13 万项物体资产。机器人不仅要脱离固定的演示环境，在多变的几何分布中自主找寻目标，还需与可移动的刚体及带有关节的交互对象产生真实的仿真物理接触，这对系统的通用性提出了严苛要求。

2026 年以来，具身智能的竞争重心正全面从本体硬件上移至“具身大脑”。业内研究的核心命题转向了如何应对长程复杂任务并实现新任务的快速泛化。魔法原子研发实验室 MagicLab Studio 负责人指出，分层架构是具身大脑的必由之路，而“指令遵循能力”是当前模型落地的核心瓶颈。EchoPolicy 与 MagicBrain 分别从轨迹打分调度与端到端视觉引导两个方向给出了破局方案。

EchoPolicy-0：统一 Agent 框架打通多任务闭环

机器人要稳定作业，需要持续连接语言目标、视觉感知与物理动作。抓住物体后判断是否拿稳、开门前找准受力点、动作偏离时自适应调整——这些跨任务共性构成了具身操作的核心诉求。

魔法原子将视觉语言模型、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，在观察环境、理解目标、选择技能、执行动作与闭环验证间建立了完整循环。

针对视觉-语言-动作（VLA）模型在实际调用中的动作准确性问题，EchoPolicy-0 引入了由高层 VLM 引导的多候选轨迹选择机制：底层动作模型先生成多种可能的运动候选并投影至图像平面，上层 VLM 根据语义目标筛选出最佳轨迹，并在执行后展开持续校验。通过在 3915 局全量评测中取得 75.4% 的平均成功率，EchoPolicy-0 证明了多任务下统一调度的有效性——新增操作类别时，无需重构系统，只需将新能力接入现有框架即可完成适配。

MagicBrain：3.4B 参数实现 94.4% 抓取成功率

在抓取（Pick-v1）与抓取放置（Pick & Place-v1）两项分榜中，MagicBrain 双双夺得全球第一，其中基础抓取成功率达到 94.4%。

传统 VLA 模型在执行“把苹果放进篮子”这类任务时，常因指令遵循出现偏差。MagicLab Studio 研发发现，抓取失败的主要诱因并非机械臂运动不稳，而是模型在像素层面把目标找错了——错不在“手”，而在“眼睛”。VLA 对视觉信号的跟随能力远强于语言，但训练信号的稀疏导致其难以将抽象名词稳定映射到具体的像素区域。

为此，MagicBrain 提出了“上下文视觉引导”（In-Context Visual Guidance）范式：由更擅长图像解析的 VLM Agent 先在视觉观测中标记出交互目标、放置区域及短期运动轨迹，再将带有视觉引导标记的画面交给 3.4B 参数的 VLA 执行具体动作。

这种分工让上层管“看和指”、底层管“动”，无需依赖庞大参数量堆砌即可大幅降低多模态歧义。将抓取成功率从行业普遍的 70% 提升至 94.4%，标志着具身动作正跨越分水岭，从实验室演示真正逼近仓储搬运、工厂分拣等产线可用的工业红线。

分层协同与持续迭代闭环

魔法原子认为，具身机器人的大脑应当遵循分层协同的设计路线：上层模型承担视觉理解、长程规划、工具调用与错误恢复；底层模型则专攻动作生成与高精度物理控制。

EchoPolicy-0 侧重于通过 Agent 调度与动作轨迹筛选提高一致性，在不重新训练底层模型的前提下快速拓展任务上限；MagicBrain 则通过显式视觉标记与后训练强化动作生成的目标对齐，两条路径构成了高度互补的技术组合。

未来，魔法原子计划将两种思路进一步融合，形成从意图理解到物理执行的完整反馈链路，并依托真实工业场景建立“部署—采集—训练—评测—再部署”的数据闭环，推动工程经验向通用具身模型能力转化。