智元具身研究中心宣佈推出一體化大小腦系統：GenieReasoner。其聚焦於如何在一個一體化模型中，兼顧高層語義推理和底層精細控制，並開源了全面的基於機器人視角的具身大腦 benchmark—— ERIQ，支持相對應解耦地評測推理性能。

根據介紹，GenieReasoner的設計初衷是建立一套“Action as Language”的統一表達範式，在賦予動作序列大模型級的語義泛化能力的同時，突破離散化表徵在執行精度上的物理瓶頸。”改成“GenieReasoner的設計初衷是建立一套Action as Language的統一表達範式，並且在賦予動作序列大模型級的語義泛化能力的同時，突破離散化表徵在執行精度上的物理瓶頸。

智元具身研究中心研究發現，現有 VLA 模型在複雜場景中的性能波動，本質上源於模型過度依賴“視覺-動作”的表面統計相關性，而缺乏深層的具身推理（Embodied Reasoning）。然而，提升推理能力與保持執行精度之間往往存在競爭關係：傳統的“離散VLM主幹 + 連續動作頭”架構會因不同目標函數的數學衝突產生梯度干擾，導致模型在“邏輯泛化”與“執行精度”之間被迫取捨。為此，GenieReasoner架構從兩個維度重建了VLA範式：通過統一離散表徵消除梯度衝突，使用生成式解碼技術突破重構精度上限。

GenieReasoner架構：

• 動作即語言：GenieReasoner 摒棄了“嫁接”思維，將連續的物理軌跡映射為一套緊湊的“離散動作詞表”。在模型看來，執行抓取動作與預測下一個文本 Token 具有同等的語義地位。
• 共享梯度空間：通過將通用 VQA、具身推理數據與動作序列在同一離散空間進行聯合訓練，模型在單一梯度路徑下實現了認知與控制的同步優化。

ERIQ包含6k+高質量樣本，以單選題、是非題的形式呈現，且每個樣本都經過人工審核校驗。數據集場景覆蓋家居、工業、商超等100+真實場景。其四大核心類別包括：

• 空間感知與定位（理解“左邊第二個”、“紅色的”）
• 任務規劃與監測（長程任務的邏輯拆解）
• 錯誤識別與恢復（意識到“手滑了”並重新嘗試）
• 人機協作（讀懂人類的意圖暗示）

進一步，四大核心能力被拆解成15個細分維度的子能力（或子能力的組合），例如：

• Success Detection聚焦於“任務完成性檢測”，評估模型“任務規劃+事件順序”的能力。
• Task Grounding聚焦於“找到與任務相關目標”，評估模型“感知+任務規劃+場景理解”的能力。
• Mistake Classification聚焦於“識別發生的錯誤類型”，評估模型“因果關係+異常識別”的能力。
• Human Intent Understanding聚焦於“機器人理解用户意圖”，評估模型“學習與用户交互 +任務規劃”。

原始數據都來自於真機真實場景，超過100多種任務場景，其中家居35%，餐廳20%，商超20%，工業佔15%，辦公場景10%。在輸入模態的設計上，ERIQ旨在全面評估模型的多模態理解與推理能力，數據構成涵蓋了多種關鍵的輸入模態：主體由約53%的靜態單幀圖像構成，用於測試模型的基礎視覺感知能力；另有約27%的時序圖像數據，以考察模型對時序動態變化的理解；剩餘部分則由多幀圖像與文本交錯組成，評估模型對複雜場景的多步推理能力。

在後續實驗中發現： 在不同預訓練的對比下，ERIQ得分更高的VLM，在VLA性能測試中展現出更強的指令跟隨能力，得以論證具身VLM越強（腦子好），VLA越強（手越巧）。

智元方面表示，GenieReasoner 的發佈是其具身研究中心對具身大腦“智商”與小腦“身手”協同進化的一次初步探索。實驗結果表明，在統一離散空間內進行聯合訓練，不僅大幅提升了模型的泛化性與指令跟隨能力，更重要的是，它驗證了一套天然兼容Scaling Law的具身模型架構。

但在動作絕對精度和極長程任務的穩定性上，仍有巨大的優化空間。雖然通過提升數據的多樣性（Diversity）可以實現性能的量級增長，但在實際路徑中，如何在高通量數據 Scaling的同時確保數據的“高質量”與“低噪聲”，依然是行業待解的最優路徑難題。

“下一步，智元具身研究中心將從“邏輯深度”與“執行精度”兩個維度持續推進，並致力於實現具身大小腦、世界模型（World Model）與真機強化學習（Real-world RL）的閉環協同。通過在真實物理世界中的閉環交互與數據反哺，構建出真正具備常識推理與極限操作能力的通用基座模型。”

更多詳情可查看官方公告。