大晓机器人开源统一具身基模型ACE-Brain-0.5，多项SOTA登顶

事件概述

大晓机器人正式开源新一代统一具身基模型 ACE-Brain-0.5。该模型面向 Physical Agentic AI 范式，旨在推动具身智能走向真实物理世界中的自主执行。Physical Agentic AI 指能在真实物理世界中自主感知环境、理解任务、规划行动，并在交互反馈中持续调整和进化的智能体。

核心信息

• 模型定位： ACE-Brain-0.5 是 ACE-Brain-0 的重大升级，以空间智能为底座，将机器人基础模型从“理解世界”推进至“理解、规划、行动、评估、进化”一体化的闭环认知阶段。
• 参数规模： 单一 8B 参数主干。
• 核心能力： 统一整合空间感知、决策规划、具身交互与自我评估四大能力。
• 训练策略： SSR+（在 Scaffold-Specialize-Reconcile 基础上增加 Reactivate 阶段），通过训练多个专门化 Checkpoint 再合并任务向量，并使用轻量级混合 SFT 重新激活任务能力、校准输出接口，使不同具身技能在单一模型中稳定共存。
• 架构创新： 引入“双时间尺度”架构，实现“慢脑”理解规划与“快脑”实时控制的协同。慢脑负责高层空间感知、任务分解与多模态推理；快脑负责实时感知和低延迟动作输出。

评测表现

ACE-Brain-0.5 在多项国际权威具身智能评测中系统性超越 OpenAI GPT-5.4、Google Gemini-2.5-Pro、Anthropic Claude-Sonnet-4.6、英伟达 GR00T N1.6、Physical Intelligence π₀/π₀.₅、OpenVLA、Qwen-VLA-Instruct、NaVid、Uni-NaVid、RoboReward、Robometer 等主流开源与闭源模型。

• 空间认知与缺陷推理：在 18 个非空空间基准中 14 项超过前代 ACE-Brain-0。在 MindCube 基准达 86.3%（提升 4.2 个百分点），SQA3D 达 62.6%（提升 7.8 个百分点），Multi3DRef 达 72.4%（前代 55.9%），ScanRefer 达 70.2%。在 RefSpatial、PointArena、RoboAfford 等任务上分别提升 29.6、23.8、18.6 个百分点。
• 具身导航：在 VLN-CE 的 R2R Val-Unseen 上取得 57.4% 成功率（SR）和 51.7% 路径效率加权成功率（SPL），超过 NaVid（41.9%/36.5%）与 Uni-NaVid（47.0%/42.7%）；Specialist 版本进一步提升至 62.2%/56.2%。在 RxR Val-Unseen 上达 63.8% SR、47.9% SPL 和 64.6 nDTW。
• 机器人操作：在 LIBERO 基准上平均成功率 98.2%，超过 Qwen-VLA-Instruct（97.9%）、OpenVLA-OFT（97.1%）、GR00T N1.6（97.0%）、π₀.₅（96.9%）；Spatial 与 Object 任务套件均达 100.0%，Long 长程任务达 97.0%。在 SimplerEnv-Bridge 基准上平均成功率 82.3%，刷新 SOTA，超过 GTA-VLA（81.2%）、X-VLA（76.0%）、Qwen-VLA-Instruct（73.7%）、Uni-VLA（69.8%）。
• 进度评估：在 RBM-EVAL-ID 上 VOC 相关性达 0.94/0.80，超过 Robometer-4B（0.92/0.78）、RoboReward-8B（0.82/0.51）；在 RBM-EVAL-OOD 上达 0.96/0.88，同样领先对比模型。

值得关注

ACE-Brain-0.5 是首个以单一 8B 基模型贯通空间理解、导航决策、机器人操作与自我评估的全链路开源具身基模型。其 SSR+ 训练策略和双时间尺度架构为统一机器人在真实场景中的闭环执行提供了可复现的技术路径。模型现已正式开源。