魔法原子EchoPolicy-0以75.4%成功率登顶MolmoSpaces

在艾伦人工智能研究所（AI2）发起的具身智能零样本评测基准MolmoSpaces最新榜单中，魔法原子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Combined榜单全球第一，覆盖全部4项v1任务。该框架截至2026年10月13日完成3915局全量评测，并已在Franka单臂平台上验证四类操作能力。

MolmoSpaces面向操作、导航及长程具身任务，包含超过23万个室内环境和约13万个物体资产。评测统一规定初始场景、机器人与相机配置、任务指令及成功条件，机器人还要处理可移动刚体和带关节物体，在不同背景、几何结构和物体分布中完成抓取、交互及多阶段操作，因此更侧重检验模型的泛化能力。

魔法原子MagicLab Studio认为，具身智能正从演示阶段走向真实产线，竞争焦点逐渐转向机器人的“大脑”，即能否理解更复杂的任务并快速适应新任务。其负责人表示，团队采用分层架构应对通用任务中的指令遵循难题：EchoPolicy-0通过Agent框架和轨迹评分强化指令执行，MagicBrain则以端到端视觉引导改善目标理解。

EchoPolicy-0将视觉语言模型、几何操作工具和通用动作策略整合为统一闭环，使机器人能够观察环境、理解目标、调用能力、执行动作并验证结果。其VLM目标引导机制会让动作模型生成多条候选轨迹，将轨迹投影到图像平面后由VLM筛选更符合目标的一条，执行过程中继续检查结果，从而让高层视觉理解参与低层动作选择。

这一设计的重点不是单独提升某个任务的成功率，而是让不同操作能力能够在同一套Agent框架中被调用、组合和验证。新增任务时，开发者可以接入相应能力，而不必重新搭建完整系统；几何工具负责可检查的空间交互，动作策略负责生成候选，视觉引导负责约束方向，持续验证则把各环节连接起来。

同一榜单中，魔法原子自研的3.4B参数具身智能Agent框架MagicBrain以72.4%的四项任务平均成功率排名全球第四，抓取成功率达到94.4%，其中Pick-v1和Pick & Place-v1均位列对应任务榜单第一。MagicBrain采用In-Context Visual Guidance，将目标定位交给更擅长理解图像的VLM Agent，VLA主要负责动作执行。研发测试显示，许多失败并非动作不稳定，而是抓错对象或放错位置，即语言目标没有准确绑定到图像区域；该路线旨在让VLA从“演示可用”进一步接近“产线可用”。