魔法原子具身Agent框架EchoPolicy-0与MagicBrain在MolmoSpaces榜单斩获全球第一与第四

事件概述

近日，在由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最新榜单上，魔法原子（Magic Atom）旗下的两款具身智能框架取得了突破性成绩：

• EchoPolicy-0：面向通用机器人操作的VLM Agent框架，在MolmoSpaces Combined榜单中以75.4%的机器人操作平均成功率位列全球第一，覆盖全部4个v1任务。
• MagicBrain：自研具身智能Agent框架，凭借3.4B参数规模，以72.4%的平均成功率位列全球第四。其抓取成功率达到94.4%，远超行业平均水平，并在抓取（Pick-v1）和抓取放置（Pick & Place-v1）两项具体任务中拿下全球第一。

MolmoSpaces评测背景与挑战

MolmoSpaces是目前全球具身智能领域最具公信力的零样本评测基准，旨在评估机器人在操作、导航及更长程具身任务中的能力。该基准具有以下特点：

• 高复杂度环境：生态包含超过23万个室内环境和约13万个物体资产，要求机器人面对超出固定演示环境的复杂情况，在不同背景、几何结构与物体分布下寻找目标并完成任务。
• 真实交互难度：包含可移动的刚体物体和带关节的交互对象，机器人不仅需在图像中识别目标，还必须通过仿真接触改变对象状态。
• 统一计分标准：明确给出初始场景、配置、指令和成功条件，将零散演示转化为可比较的数据，重点考察具身智能大模型的泛化能力而非单一指标。

EchoPolicy-0：统一Agent框架实现多任务共享

EchoPolicy-0由魔法原子MagicLab Studio研发，旨在解决具身智能机器人跨任务中的共通问题，如目标定位、状态判断、能力调用及失败后的计划调整。

• 核心机制：将视觉语言模型（VLM）、几何操作工具与通用动作策略组织为统一的VLM Agent框架，形成“观察环境-理解目标-选择能力-执行动作-观测验证”的闭环。不同任务共享这套机制，具体接触和运动由相应执行器完成。
• 技术亮点：引入VLM目标引导的多候选轨迹选择。动作模型提出多种可能运动，投影到图像平面后，依据VLM指定的目标选择更匹配的轨迹，并在执行后持续验证。高层视觉理解直接参与低层动作选择，确保动作的正确性。
• 应用价值：新增任务时无需从零搭建系统，只需将能力接入同一框架即可。当前版本已在Franka单臂平台上完成四类操作验证，累计完成3915局全量评测。

MagicBrain：上下文视觉引导优化指令遵循

针对VLA（视觉-语言-动作）模型在“听懂话”（语言跟随）方面存在的短板，MagicBrain采用了In-Context Visual Guidance（上下文视觉引导）技术路线。

• 痛点分析：研究发现，抓取失败多源于抓错对象或放错位置，而非动作执行不稳。VLA对视觉信号的跟随能力强于对语言指令的跟随，导致模型难以将名词短语准确绑定到图像区域。
• 解决方案：VLA仅负责做动作，找目标的任务交给更擅长看图的VLM Agent。通过将上层识别出的交互目标、放置区域及短期运动历史以视觉标记形式注入底层模型观测，让任务意图直接对应到图像具体位置。
• 优势：不依赖增加参数量，仅需3.4B参数规模即取得优异结果。这种“组合而非全能”的分工范式降低了部署成本，使任何具备基础数据能力的团队都能低成本复现，推动VLA从“演示可用”逼近“产线可用”。

行业启示与设计哲学

魔法原子认为，具身智能应沿分层协同路线推进：上层模型负责理解、规划与纠错，底层模型负责将意图转化为物理动作。

• 互补路径：EchoPolicy-0通过Agent调度、候选选择和闭环验证提高执行一致性；MagicBrain通过显式视觉引导提高动作生成阶段的目标对齐能力。两者分别作用于“执行/选择/验证”与“动作生成”环节，具有强互补性。
• 未来展望：下一步将探索二者结合，形成从任务理解到物理执行的完整反馈闭环，进入真实工业场景检验稳定性与成本，并建立“部署—采集—训练—评测—再部署”的持续迭代机制，沉淀可复用的技能模块与标准接口。