项目主页：https://geniereasoner.github.io/GenieReasoner

2024年底，智元具身研究中心推出了AgiBot World，利用真实世界百万级轨迹数据，为机器人构建了认知的地基；2025年初，Genie Operator-1 (GO-1) 发布，作为通用具身基座大模型，实现了数据飞轮的初步闭环。

然而，在迈向极致泛化的征途中，智元具身研究中心发现了新的“关卡”： 当机器人面对复杂指令或从未见过的物体时，性能仍有波动。这种不稳定性暴露出一个核心痛点：具身操作的推理能力（Embodied Reasoning）不足。

机器人不只是要“动起来”，更要“想明白”。智元具身研究中心推出一体化大小脑系统：GenieReasoner。其聚焦于如何在一个一体化模型中，兼顾高层语义推理和底层精细控制，并开源了全面的基于机器人视角的具身大脑benchmark，支持相对应解耦地评测推理性能。

GenieReasoner的设计初衷是建立一套“Action as Language”的统一表达范式，在赋予动作序列大模型级的语义泛化能力的同时，突破离散化表征在执行精度上的物理瓶颈。”改成“GenieReasoner的设计初衷是建立一套Action as Language的统一表达范式，并且在赋予动作序列大模型级的语义泛化能力的同时，突破离散化表征在执行精度上的物理瓶颈。

智元具身研究中心研究发现，现有 VLA 模型在复杂场景中的性能波动，本质上源于模型过度依赖“视觉-动作”的表面统计相关性，而缺乏深层的具身推理（Embodied Reasoning）。然而，提升推理能力与保持执行精度之间往往存在竞争关系：传统的“离散VLM主干 + 连续动作头”架构会因不同目标函数的数学冲突产生梯度干扰，导致模型在“逻辑泛化”与“执行精度”之间被迫取舍。为此，GenieReasoner架构从两个维度重建了VLA范式：通过统一离散表征消除梯度冲突，使用生成式解码技术突破重构精度上限。

正如 π 团队所观察到的，离散+连续的架构容易让模型在“学会动”和“保持聪明”之间二选一，在训练中天然产生动作与推理的“知识隔离”。为了保护大脑不被动作数据“污染”，架构上往往不得不限制两者间的梯度流通，但这又切断了推理对动作的隐形帮助。因此，我们提出了GenieReasoner架构：

• 动作即语言：GenieReasoner 摒弃了“嫁接”思维，将连续的物理轨迹映射为一套紧凑的“离散动作词表”。在模型看来，执行抓取动作与预测下一个文本 Token 具有同等的语义地位。

  
  

• 共享梯度空间：通过将通用 VQA、具身推理数据与动作序列在同一离散空间进行联合训练，模型在单一梯度路径下实现了认知与控制的同步优化。

既然传统离散化因“死板映射”而丧失精度，智元具身研究中心引入了新的tokenizer和生成式解码范式：

• 生成式解码：FACT（Flow-matching Action Tokenizer）引入了一种全新的生成式编解码机制。它不只是简单的“映射”，而是在离散符号与物理连续性之间建立了一套深度解码系统。

  
  

• 基于流（Rectified Flow）的轨迹重构：解码器采用流匹配技术，将离散Token作为条件，学习从标准高斯噪声到精准动作轨迹的概率路径。这种方法赋予了离散token极高的信息承载密度。

  
  

• 精度的数量级跃迁：实验证明，在预测相同长度token数的情况下，FACT的重建均方误差（MSE）比目前的SOTA离散基线（如π0-FAST）降低了整整一个数量级。这确保了GenieReasoner 在保持 VLM 推理优势的同时，具备足以媲美纯连续方案的高保真操作能力。

长期以来VLA 模型的评估局限于端到端成功率。这种黑盒指标无法区分Failure Case是源于上游的感知推理错误，还是下游的运动控制偏差。同时，由于推理能力和动作能力被强耦合，使得模型在预训练阶段的能力提升难以观测，更无法有效指导架构的迭代。为了解耦并精准评估具身大脑的"智商"，智元具身研究中心构建并开源了基于机器人数据的具身大脑推理benchmark ——ERIQ。

ERIQ包含6k+高质量样本，以单选题、是非题的形式呈现，且每个样本都经过人工审核校验。数据集场景覆盖家居、工业、商超等100+真实场景。其四大核心类别包括：

• 空间感知与定位（理解“左边第二个”、“红色的”）

• 任务规划与监测（长程任务的逻辑拆解）

• 错误识别与恢复（意识到“手滑了”并重新尝试）

• 人机协作（读懂人类的意图暗示）

进一步，四大核心能力被拆解成15个细分维度的子能力（或子能力的组合），例如：

• Success Detection聚焦于“任务完成性检测”，评估模型“任务规划+事件顺序”的能力。

• Task Grounding聚焦于“找到与任务相关目标”，评估模型“感知+任务规划+场景理解”的能力。

• Mistake Classification聚焦于“识别发生的错误类型”，评估模型“因果关系+异常识别”的能力。

• Human Intent Understanding聚焦于“机器人理解用户意图”，评估模型“学习与用户交互 +任务规划”。

原始数据都来自于真机真实场景，超过100多种任务场景，其中家居35%，餐厅20%，商超20%，工业占15%，办公场景10%。在输入模态的设计上，ERIQ旨在全面评估模型的多模态理解与推理能力，数据构成涵盖了多种关键的输入模态：主体由约53%的静态单帧图像构成，用于测试模型的基础视觉感知能力；另有约27%的时序图像数据，以考察模型对时序动态变化的理解；剩余部分则由多帧图像与文本交错组成，评估模型对复杂场景的多步推理能力。

在后续实验中发现（见03.2章节）： 在不同预训练的对比下，ERIQ得分更高的VLM，在VLA性能测试中展现出更强的指令跟随能力，得以论证具身VLM越强（脑子好），VLA越强（手越巧）。

为了验证GenieReasoner在大脑推理和小脑执行上实际表现，智元具身研究中心团队在ERIQ benchmark，仿真环境GenieSim以及多种真机本体（AgiBot G1、ARX、AgileX）上进行了全面的测试。实验不仅证明了智元具身研究中心方法架构的优越性，更揭示了大小脑联合优化的优势。

智元具身研究中心构建了海量的通识数据和具身相关的vqa数据，大大提升了VLM backbone的base模型（Qwen2.5-VL-3B）的具身推理和通识能力。在ERIQ Benchmark对模型大脑推理能力的解耦评测中显示，GenieReasoner在具备优秀的通识能力的同时，在具身榜单ERIQ 的 15 个子任务（包括空间感知、任务规划、纠错等）中刷新了性能SOTA纪录，平均推理准确率相比base模型大幅提升 25% ，并超过了顶级闭源模型。

智元具身研究中心在GenieSim仿真环境下进行了严谨的消融实验，观察到了几个关键点：

• 对比Exp0与Exp1可以发现，加入Embodied VQA预训练后，具身榜单推理分数从58.64提升至82.72，指令跟随随之提高，这证明了推理数据虽然不直接产出动作，却为模型建立了至关重要的空间与语义理解基础。

  
  

• 对比Exp2与Exp3可以发现，在预训练阶段加入具身和通识推理数据，可以端到端的提升action的指令跟随和成功率。再对比Exp1与Exp3，可以发现动作对齐是将认知逻辑转化为操作轨迹的必要步骤，action和reasoning的预训练缺一不可。

  
  

• 对比Exp3与Exp4（Post-training 阶段的策略）发现，若微调时也加入具身推理数据，模型的颜色指令跟随能力会从0.73提升至0.91，同时成功率也会进一步提升，证明了统一离散架构之后预训练和后训练均开启co-train的必要性。

智元具身研究中心在AgiBot G1上，针对五类场景（已知物体、未知物体、颜色变化、极端空间位姿、语义理解）进行了详细对比测试。

• 对比离散基线模型 π0-FAST发现，虽然离散模型理解指令准确，但受限于量化精度，执行成功率较低，并且在测试时发现会经常出现解码失败的情况。GenieReasoner凭借流匹配解码器FACT架构，在保持同等指令跟随能力的同时，任务成功率大幅领先。

  
  

• 对比连续基线模型（如π0.5）发现，连续模型在执行已知任务时动作流畅，但在面对复杂颜色或新物体指令时极易出错。GenieReasoner在维持高精度操作的同时，指令跟随准确率实现大幅超越，特别是在语义理解任务中表现更优。

  
  

• 在最具挑战性的Unseen Object（指训练集中未出现的物体）任务中，GenieReasoner的成功率显著优于所有对比SOTA模型，证明了在现实不确定场景中具备了更强的泛化稳定性。

  
  

GenieReasoner的发布，是智元具身研究中心对具身大脑“智商”与小脑“身手”协同进化的一次初步探索。实验结果表明，在统一离散空间内进行联合训练，不仅大幅提升了模型的泛化性与指令跟随能力，更重要的是，它验证了一套天然兼容Scaling Law的具身模型架构。

然而，迈向极致通用的征途依然充满挑战。尽管智元具身研究中心看到了性能的显著飞跃，但在动作绝对精度和极长程任务的稳定性上，仍有巨大的优化空间。虽然通过提升数据的多样性（Diversity）可以实现性能的量级增长，但在实际路径中，如何在高通量数据 Scaling的同时确保数据的“高质量”与“低噪声”，依然是行业待解的最优路径难题。

“下一步，智元具身研究中心将从“逻辑深度”与“执行精度”两个维度持续推进，并致力于实现具身大小脑、世界模型（World Model）与真机强化学习（Real-world RL）的闭环协同。通过在真实物理世界中的闭环交互与数据反哺，构建出真正具备常识推理与极限操作能力的通用基座模型。”