魔法原子具身 Agent 框架拿下 MolmoSpaces全球第一 让VLA 从“演示可用”逼近“产线可用”

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，魔法原子旗下面向通用机器人操作的 VLM Agent 框架 EchoPolicy-0 以 75.4%的机器人操作平均成功率位列 MolmoSpaces Combined 榜单全球第一，覆盖全部 4 个 v1 任务。

同一榜单、同一分组下，魔法原子自研具身智能 Agent 框架 MagicBrain 凭借 3.4B 参数规模，以 72.4%的机器人操作平均成功率位列 MolmoSpaces Combined 榜单全球第四，其抓取成功率达到 94.4%，远超行业平均水平。

魔法原子旗下具身智能 Agent 框架 EchoPolicy-0 位列 MolmoSpaces 榜单第一

MolmoSpaces 榜单是目前全球具身智能领域最具公信力的零样本评测基准，面向操作、导航与更长程的具身任务。MolmoSpaces 生态包含超过 23 万个室内环境、约 13 万个物体资产，为评测提供了丰富的变化来源。机器人需要面对超出固定演示环境的情况，在不同背景、几何结构与物体分布下寻找目标，并根据局部条件完成任务。

同时，MolmoSpaces 包含可移动的刚体物体和带关节的交互对象，机器人不仅要在图像中找对目标，还必须通过真实的仿真接触改变对象状态，让机器人的作业任务具有实质难度。

MolmoSpaces 的基准明确给出初始场景、机器人与相机配置、任务指令和成功条件，完整清单、统一计分与公开结果能够把零散演示转化为可比较的数据。魔法原子 EchoPolicy-0 与 MagicBrain 框架参与的四项务分别涉及自由物体抓取、关节物体交互和多阶段操作，从不同侧面考察具身智能 Agent 框架的系统能力，而不是只看一个单项指标。

2026 年以来，具身智能正从演示阶段走进真实产线，竞争重心上移到机器人的“大脑”——具身智能大模型。随着机器人运动控制能力快速提升，机器人的身体更灵活、更耐用，大脑的实际应用也随身体边界的打开而快速演进。相应地，市场的研究方向正在转向：如何完成更复杂的任务，如何快速上手新任务。MolmoSpaces 的评测，也同样关注具身智能大模型的泛化能力。

魔法原子研发实验室 MagicLab Studio 负责人表示：“在具身大脑路线的选择上，我们认可分层架构这种方式，并发现指令遵循能力是当前模型在通用任务上遇到的一个难点。EchoPolicy 通过 Agent 框架及轨迹打分的方式来保证指令遵循能力；MagicBrain 通过端到端视觉引导的方式来优化指令遵循效果，两者均取得了较好的结果。”

EchoPolicy-0 ：让机器人多任务共享一套思考与行动方式

机器人要完成一项任务，需要把语言目标、视觉观察与物理动作持续连接起来。例如抓住物体之后，要判断是否真的拿稳；打开柜门之前，要找到可交互的位置；一次动作没有达到预期，机器人需要根据新情况调整计划。

这些动作看起来不同，但属于具身智能机器人跨任务需要面对的共通问题：目标在哪里，当前状态是什么，应该调用哪种能力，动作是否达到目的，以及失败后如何继续。

魔法原子 MagicLab Studio 围绕这些跨任务共通的问题，将视觉语言模型、几何操作工具与通用动作策略组织为统一的 VLM Agent 框架 EchoPolicy-0 ，让观察环境、理解目标、选择能力、执行动作，以及观测验证结果形成闭环。不同任务共享这套机制，具体的接触和运动由相应执行器完成。

EchoPolicy-0 框架研发负责人表示：“ EchoPolicy-0 的通用性体现在让能力能够被统一调用、组合和验证。 EchoPolicy-0 当前版本已在 Franka 单臂平台上完成四类操作验证。”

在 VLA 的使用方式上，魔法原子 MagicLab Studio 引入了 VLM 目标引导的多候选轨迹选择：让动作模型先提出多种可能的运动，将候选投影到图像平面，再依据 VLM 指定的目标选择更匹配的轨迹，并在执行后持续验证。高层视觉理解由此参与低层动作选择，而不仅停留在任务分解。

EchoPolicy-0 VLM 框架多候选轨迹选择原理

EchoPolicy-0 框架在 MolmoSpaces 的四项操作任务上完成了 3915 局全量评测，取得了 75.4% 的四项任务等权平均成功率，截至 2026 年 10 月 13 日，位列 MolmoSpaces Combined 榜单球第一。

魔法原子 MagicLab Studio 将 EchoPolicy-0 框架在 MolmoSpaces 上的四项评测视为统一框架的一次系统验证，同时用逐局结果指导后续迭代。EchoPolicy-0 展示了一条面向通用机器人操作的系统路线，统一 Agent 框架能够组织不同类型的操作能力：由 VLM Agent 组织语义目标和任务状态，由几何工具提供可检查的空间交互，由通用动作策略生成候选，通过 VLM 目标引导的轨迹选择约束动作方向，再由持续验证把它们连接起来。

EchoPolicy-0 针对具身智能模型落地场景，回答了一个问题：模型提出来的动作，怎么保证选的是对的那一个。 它不改模型的输入，而是在模型给出的多套候选动作里，按视觉目标筛出更匹配的一条，并在执行后持续验证。对下游客户而言，这条路线的价值不在单点成功率上——新增一类任务时，不必再从零搭一套系统，只要把能力接进同一套框架即可。

自研大脑：MagicBrain 让模型能“看见” 从“演示可用”逼近“产线可用”

具身智能 Agent 框架 MagicBrain 来自魔法原子 MagicLab Studio ，在 MolmoSpaces 的抓取、抓取放置、打开与关闭四项操作任务上， MagicBrain 完成了 3915 局全量评测，四项 v1 任务平均成功率全球第四。其中，抓取（Pick-v1）、抓取放置（Pick & Place-v1）两项任务均拿下了所在任务榜单的全球第一，抓取任务成功率更是高达 94.4%。

视觉-语言-动作（VLA）是当前具身智能领域备受关注的一类模型架构，其语言跟随能力是行业内一个由来已久的共性问题。让模型执行“把苹果放进篮子”这类指令，包含了两件对它并不容易的事：先理解“苹果”这个名词，再在像素层面找出哪个是“苹果”。

魔法原子 MagicLab Studio 在研发测试中发现，抓取失败的案例里，绝大多数不是动作执行不稳，而是抓错了对象，或者放错了位置。换句话说，VLA 在动作学习上已经足够强，真正的短板在把名词短语绑定到图像区域，这也是它训练信号最稀疏的一环——想抓“苹果”却抓成旁边的“梨”，错不在手，而在眼睛。

实际上，VLA 对视觉信号的跟随能力，强于对语言指令的跟随：“听懂话”是 VLA 的短板，“看懂图”才是长板。为此，MagicBrain 采用了一套被称为 In-Context Visual Guidance（上下文视觉引导）的技术路线，VLA 只负责做动作，找目标这件事，交给更擅长看图的 VLM Agent。

具身智能Agent框架 MagicBrain 三层架构层级图

未来，这套视觉引导技术也可以迁移到交互等更多场景——毕竟，给模型“画”出该看的东西，不只适用于抓取。MagicBrain 提供了一个更省力的分工范式。语言说清“做什么”，像素说清“是哪个、在哪里”，把两路信息各交给擅长的模型，它没有引入新的模型结构，没有堆砌更大的参数量，只是重新排布了信息的传递路径。

“我们在 VLA 理解语言的基础上，让它进一步去‘看见’，并且知道该看什么”，魔法原子 MagicLab Studio 负责人表示，这一技术路线不依赖提升参数规模来换取大模型性能，此次参与评测的模型参数规模仅为 3.4B。

这意味着，任何具备基础数据能力的团队都能低成本复现，不卷模型大小也能拿到增益——在具身智能走向规模化的路上，“组合而非全能”的分工思路，或许比“一个模型通吃”更接近现实。

行业层面，魔法原子回答了一个备受关注的问题：VLA 到底能不能用得起、用得上。抓取与放置是具身智能从实验室走向真实场景的高频基础动作——工厂分拣、仓储搬运、家庭整理都依赖它。抓取成功率从此前 70% 到 94.4% 的跨越，意味着 VLA 正从“演示可用”逼近“产线可用”的临界线。对行业而言，每一点成功率提升，都在扩大可商业化的场景边界。

魔法原子的 “具身大脑” 设计哲学

“在 MolmoSpaces 榜单上拿到了全球第一，但魔法原子关心的，是榜单背后那个真正的问题：具身智能机器人的大脑，到底应该怎么长，长在哪里。”魔法原子 MagicLab Studio 负责人表示。

魔法原子认为，具身智能应沿着分层协同的技术路线推进：由上层模型负责理解、规划与纠错，由底层模型负责将任务意图转化为可靠的物理动作。

上层模型要承担视觉理解、任务分解、规划决策、错误修正和记忆管理。目前前沿基础模型在这些方面已有较好基础，但仍需针对具身场景中的空间关系、物理约束和持续交互做适配。上述负责人认为，行业短期应重点建设围绕模型运行的 Harness，将上下文管理、工具调用、执行反馈和评测机制组织起来，并探索以反馈驱动的迭代优化，包括 RSI 方向；长期则需要依托真实场景数据开展自主训练与后训练，逐步增强模型本身的具身理解和决策能力。

该负责人表示，承担动作生成与控制执行的底层模型，可以采用 VLA、WAM 或其他混合架构。架构选择应服务于实际任务，重点考察指令遵循、动作精度、执行效率及泛化能力。

目前，分层架构本身在行业内已被广泛讨论，其中一个关键问题仍未得到充分解决：上层的任务意图，如何被底层准确理解并稳定执行。

魔法原子 MagicLab Studio 在实验中发现，现有动作模型在分布外（OOD）场景下仍容易出现目标选择错误、空间约束理解偏差等情况。为此，团队尝试了两种互补的解决思路。

第一种是本次拿下 MolmoSpaces 榜单第一的 EchoPolicy-0，通过 Agent 调度、候选选择和闭环验证，提高执行与指令的一致性。其中，上层模型将任务分解为明确的子目标，系统对底层模型生成的多条候选动作轨迹进行评估，选择更符合当前指令的候选；执行后，再依据新观测判断进展，决定继续、重试、重规划或回退，并按需调用几何工具完成特定操作。

这一技术路线的优势在于可以在不重新训练底层模型的情况下，通过改进调度、选择和验证机制快速迭代，提升已有模型的任务完成能力。

MagicBrain 的思路是通过显式视觉引导和配套训练，提高动作生成阶段的目标对齐能力。

其中值得借鉴的是上下层之间的视觉引导机制。MagicBrain 将上层识别出的交互目标、放置区域以及短期运动历史，以视觉标记的形式注入底层模型的观测，让任务意图直接对应到图像中的具体位置。该方法无需改变 VLA 的网络架构，通过配套后训练，使模型学会将视觉标记与操作语义、动作行为联系起来，从而降低仅依赖语言指令时的歧义。

两种思路分别作用于“动作生成”与“执行、选择、验证”两个环节，具有较强的互补性：视觉引导帮助底层生成更符合目标的动作，Agent 调度则负责选择、执行、检查和纠错。

此次 EchoPolicy-0 拿下第一、MagicBrain 拿下第四，两条路径的有效性都得到了验证。

谈及未来，魔法原子表示：“下一阶段，我们将进一步探索二者结合，形成从任务理解到物理执行的完整反馈闭环，并进入真实工业场景，持续检验任务成功率、运行稳定性和部署成本，并在这一过程中完善数据与模型平台。将经过验证的能力沉淀为可复用的技能模块、标准接口和解决方案，同时系统积累成功、失败及人工纠正数据，建立“部署—采集—训练—评测—再部署”的持续迭代机制，推动工程经验转化为基础模型能力。”