让机器人学会「一口气干完一件活」
让机器人学会「一口气干完一件活」
从只会 “单步演示” 到 “连续干完一件活”，长程规划正在成为机器人的新分水岭。
当 “大脑” 成为机器人的分水岭
2026 年，具身智能正以肉眼可见的速度从展台走向真实场景。据中国电子学会数据，2026 年上半年国内人形机器人出货量已超 4 万台，全球占比高达 97%；海外科技巨头亦在加速入场：OpenAI 首席执行官已确认公司将自主研发人形机器人，并直言机器人外观 “远不如真正弄清楚如何让机器人大脑运转重要”，计划 2027 年推出演示样机，核心攻关方向正是驱动机器人运转的智能系统。
从中国制造的规模领跑，到全球巨头押注 “大脑” 竞赛，行业共识已然清晰：形态不再是分水岭，真正决定机器人能否 “干活” 的，是具身大脑在复杂场景中的规划、决策与泛化能力。
在这一赛道，一种关键能力正浮出水面 —— 让机器人从 “看懂环境” 走向 “连续干活” 的长程规划，正在成为具身智能落地的新分水岭，也为行业打开了一条高性价比的研发路径。
长程规划：具身大脑最陡的一跃
具身大脑被视为机器人从 “看懂环境” 走向 “执行任务” 的核心中枢，其感知、推理、规划与安全决策能力直接决定机器人能否真正进入物理世界。而其中长程任务规划，正是公认的能力鸿沟 —— 从单步识别到多步连续决策，从 “理解场景” 到 “拆解任务、规划路径、纠错执行”，是具身大脑从演示走向干活的关键一跃，也是当前头部模型与专项模型差距最显著的维度。
在这一背景下，中兴通讯发布论文《EmbodiedMind: Adaptive Data Curation and Prefix-Tree Reinforcement Learning for Efficient Embodied Intelligence》，以 8B 模型在 18 项具身大脑基准上取得 70.02% 的平均成绩，长程规划准确率较现有最优方法提升 30.31%，相关论文已投稿 ICRA 2027。
随后，SuperCLUE 9 月 EmbodiedCLUE-VLA “具身大脑” 榜单出炉：中兴通讯 Nebula-EmbodiedBrain-180B 以 77.48 分与阿里 Qwen3.8-Max-0902 并列国内第一，具身安全单项高达 97.92 分。从 8B 专项模型的训练范式突破，到 180B 级大脑模型的综合能力打榜，两条线索合流，表明中兴在具身大脑赛道已走在前列。
三重结构性困境，卡住具身大脑训练
当前具身基座模型的训练，普遍受制于三个结构性缺陷。
其一，样本效率低下。训练语料中大量轨迹信息密度低、质量参差、噪声显著，监督微调与强化学习在冗余与高方差数据上消耗算力，却收敛至次优策略，真正有价值的训练信号被稀释。
其二，异构任务梯度贡献失衡。DAPO 等动态采样方法缺乏任务级校准，简单任务被过度丢弃、困难任务被系统性忽视，多任务训练中能力此消彼长，引发 “跷跷板效应”。
其三，长程规划中的信用分配严重失真。标准 GRPO 将轨迹级优势均匀施加于所有 token，一条轨迹最终失败，其中间正确的决策也被一并惩罚；树搜索虽可回溯至单步节点，却面临组合爆炸的深度代价，难以在探索深度与计算可行性之间取得平衡。
这三重困境共同指向一个核心命题：具身大脑要从 “看懂环境” 走向 “长程执行”，训练范式本身需要重构。
三重机制协同，系统性破题
为了突破现有具身大脑基座模型训练的瓶颈，研究团队提出了一套三阶段训练范式：以 RSFT 从源头进行数据清洗与 SFT 训练、以 IR-GRPO 重建任务平衡、以 Trie-GRPO 实现步级信用分配，三层机制各对一题、逐级递进，实现具身大脑训练范式的系统性重构。
图 1 EmbodiedMind 三阶段训练框架（RSFT→IR-GRPO→Trie-GRPO）示意
机制一・RSFT：从源头提升数据信息密度
针对训练语料中低信息密度轨迹稀释有效信号的问题，该机制以高温度系数多次推理对样本分层：全部生成正确的归为简单样本，部分正确的归为不确定样本，全部失败的归为困难样本。训练集仅保留不确定样本与一定比例的简单样本，暂时排除困难样本，既防止早期分布坍塌，又避免错误轨迹污染，从源头提升数据信息密度。实测显示，该机制在多维度能力评估上全面优于标准监督微调方法。
图 2 拒绝采样后的训练样本分布（RSFT 阶段饼图与 IR-GRPO 轮次变化）
机制二・IR-GRPO：重建异构任务平衡
针对 GRPO 动态采样缺乏任务级校准、易致能力此消彼长的问题，该机制为每个任务类型维护独立的先进先出队列，并以指数移动平均平滑各任务的有效样本比例，动态调整下一轮采样配额，确保各类任务在训练中的数据比例保持均衡。配合专为多样化具身任务设计的专属奖励机制，实验表明，该机制在提升模型综合能力的同时，大幅缩短了训练时间。
机制三・Trie-GRPO：步级信用分配
其核心洞察在于：策略优化的 “组” 不应定义在完整轨迹层面，而应在动作前缀层面条件化。所有采样轨迹并行插入一棵动作前缀树，共享同一历史前缀的轨迹在分叉点形成独立决策子组，相对优势严格限定于兄弟节点之间计算。
这意味着，即使一条轨迹最终失败，其中间正确动作仍可获得正向局部优势，彻底摆脱 “连坐” 惩罚；分叉点上的正确与错误动作被直接对比，优势信号精确到步。为控制探索成本，该机制以折扣回报沿树路径回传、兄弟节点归一化计算优势，并过滤近零优势样本，在探索深度与计算可行性之间取得原则性平衡。
图 3 Trie-GRPO 自动迭代训练框架（策略与奖励模型联合训练）
从 18 项基准到物理世界，用数据证明
EmbodiedMind-8B 仅使用 52.2 万训练样本，便在 18 项具身大脑基准上取得 70.02% 的平均成绩，综合能力超越同量级开源模型。这 18 项基准覆盖四大能力块：通用多模态理解、2D 空间推理、3D 空间度量与任务规划，涉及计数、目标定位、距离度量、尺寸度量、规划步骤生成、动作预测等任务，较为全面地检验了模型从环境理解到任务执行的能力谱系。
在此基础上，研究团队进一步在仿真环境中验证长程任务规划能力：在 VLM-PlanSim-99 这一最长 25 步规划任务的基准上得分 66.67，超越 Cosmos3-Nano 达到业界一流水平；在 ALFWorld-thor 测试集上，则以 60.45% 的成功率超越 SEEA-R1 的 46.27%。
图 4 长程规划可视化：仿真环境中 “制作并加热切片面包” 的 19 步连续任务规划
更具说服力的是真机验证。研究团队基于 AgiBot A2 机器人构建了 50 个桌面场景，并采集了 160 条任务执行监控视频构建 A2-Failure 数据集，EmbodiedMind 在桌面整理规划任务上达 62.00%，远超 Qwen3-VL-8B 的 40.00% 这一基线；任务执行监控准确率 55.31%，同样领先于 Qwen3-VL-8B 的 46.88%。这意味着通过 Trie-GRPO 在仿真环境中习得的步级信用分配能力，能够有效迁移至真实机器人场景 —— 长程规划不再止步于基准分数，而是在物理世界中兑现为可观测的成功率提升。
图 5 真机任务规划可视化：AgiBot A2 桌面场景下的分步规划与执行
榜单印证：跻身国内第一梯队
方法之后，第三方测评给出了外部验证。SuperCLUE 9 月 EmbodiedCLUE-VLA 测评覆盖国内外 10 个代表性模型，围绕基础感知、视觉推理、交互与规划、具身安全四大能力展开。中兴通讯 Nebula-EmbodiedBrain-180B 以 77.48 分的总成绩，与 2.4T 参数的 Qwen3.8-Max-0902 并列国内榜首，跃居具身大脑第一梯队。
在具身安全专项榜单中，Nebula-EmbodiedBrain 以 97.92 分的高分领跑，展现出极高的可靠性与安全性；整体来看，中兴 Nebula-EmbodiedBrain-180B 以千亿级参数规模，实现了与业界万亿级超大模型的性能对齐。需要说明的是，该榜单中国际参考模型 GPT-6 Astra（86.75）、Gemini-3.8-Flash（82.12）作为参考项不参与国内排名，中兴以 77.48 分位居国内并列第一、全球第一梯队。
图 6 SuperCLUE EmbodiedCLUE-VLA（具身大脑）2026 年 9 月总榜（国际模型为参考项）
从 8B 专项模型的训练范式突破，到 180B 级大脑模型的综合能力打榜，这套 “以最小成本换取最大能力” 的技术路径，正让长程规划从研究走向可复现的行业能力。
从 “底层范式” 到 “上层能力” 的完整闭环
从破解长程规划的 “连坐” 难题，到用极小的样本量跑赢同量级开源模型，再到在第三方权威榜单中与国际巨头并踞第一梯队，这套训练范式在具身智能赛道完成了一次从 “底层训练范式” 到 “上层通用能力” 的完整闭环。
先有扎实的方法论打底，再有硬核的榜单成绩背书，这不仅印证了技术路线的先进性与泛化能力，也为行业提供了一套可复现、高性价比的具身大脑研发路径。在具身智能加速向物理世界迈进的下半场，具备 “一口气干完一件活” 能力的机器人大脑，正为机器人真正走向千行百业注入强劲动能。
参考来源
[1] EmbodiedMind: Adaptive Data Curation and Prefix-Tree Reinforcement Learning for Efficient Embodied Intelligence, arXiv:2609.19659
[2] SuperCLUE 2026 年 9 月 EmbodiedCLUE-VLA（具身大脑）测评榜单
