魔法原子具身Agent框架拿下MolmoSpaces全球第一

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。”

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。