招商局狮子山实验室推Lion-ER：350亿参数模型如何理解物理世界

机器人为何总“看不懂”眼前的画面？

假设给机器人播放一段视频，画面里的瓶子向上移动了，它会作何判断？

在人类看来，答案几乎不用想：瓶子被拿起来了，或者摄像头位置下移了。可当下的具身智能模型很容易在这里犯错。物体在动还是镜头在动，它们常常分不清；沙发换一个拍摄角度，就可能被当成新家具；机械臂还没到位，它已经判定任务完成，急着走下一步。

这些错误看着低级，病根却在于多数多模态大模型只学到了“认出图像里有什么”，没有学会“看懂三维空间里的物理关系”。

招商局先进技术研究院下属的狮子山人工智能实验室近日发布具身推理视觉语言模型「驭物™ Lion-ER-35B-A3B」。它没有选择扩大参数规模，也没有选择大量堆叠训练数据，它想回答的是一个更根本的问题：模型能不能像人一样，对物理世界做出直觉判断。

结果有些出乎意料。这个模型总参数量约350亿（35B），推理时每个Token只激活约30亿（3B）参数。依靠这种高效的混合专家（MoE）架构，它在十项主流具身相关基准测试中所有指标均有提升，部分核心能力甚至压过了参数量更大的主流模型。

不靠堆数据：从“喂饱”转向“喂好”

过去几年，具身智能领域讲得最多的是“数据为王”。Open X-Embodiment、DROID等项目持续拓宽真实世界机器人数据的边界，好像数据一多，智能就会自己冒出来。

狮子山实验室团队却发现，事情没有这么简单。数据更多，并不自动带来更强的能力。已有研究显示，在既有数据集内，只调整不同数据域的训练权重，下游任务的表现就会明显变化。换句话说，数据的质量结构以及针对性，比总量更关键。

所以，「驭物™ Lion-ER-35B-A3B」的关键创新并不在模型架构上玩花样，而在于背后那套“能力牵引的具身数据引擎”。这套引擎不再盲目收集海量数据，改为围绕模型要掌握的具体能力做正向设计，再用评测找出短板，走通“设计-训练-评测-优化”的循环。

第一步：把能力画成“地图”

要教好模型，先得弄清它该学什么。团队整理出一张细粒度的“能力蓝图”，把具身推理拆成实体、空间、时序、物理、可供性、任务、社会、证据等8个一级领域，又往下细化为39项二级能力。

这张蓝图既规定学什么，也规定什么时候调用。比如“判断物品是否放置到位”，既牵涉“任务进度判断”，也要靠“空间关系推理”。团队在蓝图阶段就把主能力与辅助能力分开记录，避免不同维度分类重叠。到了训练采样环节，还会有意打散场景、物体和提问方式的组合，不让模型背下特定场景的固定答案。

第二步：抽象能力如何落成具体考题

蓝图有了，怎么落地？团队搭了一套叫“能力编译”的流程，把抽象的能力目标逐一拆成训练题目：场景要什么、观察怎么组织、问题怎么提、答案依据什么来定？

拿“跨视角推理”来说，构题时会先把几件事定下来：给模型几个视角、要关联哪个目标物体、判定方位时观测者站在哪儿。更关键的一步是核验素材。关键视角缺了、证据不够，这道题做出来只能靠猜，那就会被直接剔掉。构题规范由目标能力驱动，每道训练题因此都有据可查，不必等评测出了错再回头补数据。

第三步：三条路径保证“有据可依”

高质量训练样本从哪来？团队铺了三条互补的路子：

1. 数据提纯：清洗已有数据，修掉图像顺序错乱、指代错误之类的问题，同时控制重复曝光。
2. 几何构题：挑出位姿、深度信息可靠的素材，先把固定答案和中间推理关系算出来，再让模型在这些事实约束下生成问题和解释。
3. 定向合成：现有监督不够时，基于真实图像或视频定向造问答。不过合成的答案不会直接当真值用，必须经过独立作答或额外审核。

说到底就一条原则：有证据的难题留下，缺证据的伪难题排除。碰上模型反复做错的高难样本，团队会加一道人工复核，借可视化平台还原关键视觉线索，免得把模型的能力边界误判成数据质量问题。

第四步：评测即起点，数据随能力演化

以往的训练流程里，评测多半是终点，用来发论文、写报告。狮子山实验室这套流程反过来，评测是下一轮数据生产的起点。

这套机制叫“Eval-Driven Data Harness”。模型在评测中出错，团队先查标注和证据，看是偶发失误还是系统性短板。能力缺口一旦确认，就从覆盖31个数据源、约430万条记录的素材池里，找推理逻辑相同、场景不同的新素材，构题核验后再加进训练。

比如模型容易把画面里的“二维上下位置”当成“三维高度”，团队就优先挑有多层支撑面的场景，加大遮挡和透视变化，逼着模型结合空间结构去判断。数据就这样不再是静态供给，而是跟着模型能力的演化动态调整。

实测表现：在细节中见真章

在这套数据引擎的加持下，「驭物™ Lion-ER-35B-A3B」在十项公开基准上拿到平均65.29分的综合成绩（avg@4口径，即每题独立作答4次取平均）。对比基座模型，Where2Place空间放置评测提升9.30分，ERQA具身推理基准提升6.19分，空间推理基准SAT更是到了89.33分。

分数只是结果，真正的差距藏在具体案例的处理逻辑里。下面四道题都来自公开基准，能直观看出该模型与基座模型（Qwen3.6-35B-A3B及27B版本）的能力差异。

案例一：相机到底往哪边转？

题目：两张连续拍摄的图片中，瓶子在画面里整体向上偏移。问：相机正在朝哪个方向转动？

分析：这是典型的相机运动与物体位移混淆问题。基座模型4次作答仅对1次，Qwen3.6-27B全错。「驭物™ Lion-ER-35B-A3B」分析两帧画面的变化规律，判断出相机是向下转动，4次作答全部正确。对机器人而言，分清变化来源是执行操作的前提。

案例二：哪条轨迹能完成任务？

题目：机械臂需将充电器从插线板拔下放到右侧。画面中有四条彩色轨迹，选哪条？

分析：两个对比模型都被一条向右延伸的紫色长弧线带偏，尽管它根本碰不到充电器。「驭物™ Lion-ER-35B-A3B」则逐一排查：红色偏左，紫色够不着，黄色伸向后方，只有橙色轨迹能先抵达充电器完成拔取，再移到右侧，4次作答全部正确。这考的是把目标、路线与具体操作联系起来的交互推理能力。

案例三：挂画在拍摄者哪一侧？

题目：给出同一住宅内的三张照片，蝴蝶挂画只出现在第三张。问：拍摄第一张照片时，挂画位于拍摄者的什么方向？

分析：这道题要求模型把多张画面串起来，重建出空间布局。挂画位于客厅墙面，借助其他照片能还原出方位。拍摄第一张时，拍摄者站在楼梯底部、面朝台阶，客厅就在身后，所以挂画在后方。两个对比模型都答“左侧”，全部答错。「驭物™ Lion-ER-35B-A3B」4次判断全部准确。真正的难点是切换视角，完成跨视角的空间映射。

案例四：这一步做完了吗？

题目：视频指令是把寿司卷放进锅里。问：当前时刻，第一步“移动到寿司卷”是否已经完成？

分析：基座模型4次里有3次误判成“已完成”，Qwen3.6-27B有一半误判。「驭物™ Lion-ER-35B-A3B」的判断都是“尚未完成”。要害在于分清“正在靠近”和“已经到位”。进度一旦判错，后面的时序流程都会跟着出错。模型通过观察动作带来的状态变化，把目标状态核对准确了。

开源与展望：让具身智能更“接地气”

目前，「驭物™ Lion-ER-35B-A3B」的权重已在Hugging Face开源，格式为BF16 Safetensors，原生兼容Transformers、vLLM、SGLang等主流推理框架。开发者可以围绕空间关系理解、场景状态分析、任务进度判断等方向做评测和适配。

招商局狮子山人工智能实验室称，团队接下来会面向具身Agent，扩充工具调用、多轮交互与执行反馈等方面的训练数据，并探索长程任务中的连续决策与失败恢复。这套“能力牵引”的数据引擎，或许能给具身智能从“看懂图片”走向“理解物理现实”提供一条可复用的方法论路径。

数据泛滥的当下，有时候少即是多。关键是弄清楚该让模型学什么，又该怎么验证它真的学会了。