具身智能领域迎来重要进展！智元机器人（AGIBOT）联合北京航空航天大学提出的 ACoT-VLA（Action Chain-of-Thought）架构正式入选计算机视觉顶会 CVPR 2026。该研究打破了传统VLA模型“语义强、动作弱”的瓶颈，首次提出在“动作空间”进行推理的思维链范式。目前，ACoT-VLA 已作为 AGIBOT WORLD CHALLENGE的官方基线模型正式开源，助力全球开发者攻克复杂机器人操控难题。

图1: 不同空间下的思维链对比。

(a) 语言思维链将预测“子任务”作为中间推理步骤 ；

(b) 视觉思维链通过合成目标图像来引导动作策略生成 ；

(c) 我们提出的动作思维链直接在动作空间进行推理，提供同质化的动作引导 。

目前的视觉-语言-动作（VLA）模型虽然表现出良好的泛化能力，但通常将多模态输入直接映射为底层动作，其痛点在于：现有的或显式、或隐式的推理过程多局限于语言（如预测子任务）或视觉空间（如生成目标图像），缺乏对物理动力学的直觉。这导致高级语义与精确的运动控制之间，横亘着巨大的语义-运动鸿沟（Semantic-Kinematic Gap）。形象地说，机器人能“理解”任务，但极易在精细操作或面临干扰时，因缺乏直接的动作指引而失败。

面对物理世界的交互，推理过程应该是怎样的？想象一下人类抓取桌上的苹果，第一反应绝不是瞬间计算出手臂每时刻的精确坐标（细粒度控制），而是先在脑海中规划出一个大致的运动趋势——“抬手，伸向右前方，准备张开”（粗粒度意图）。

正如大语言模型依赖中间文本推演的“文本思维链”，世界模型依赖中间图像规划的“视觉思维链”，在机器人的动作空间里，这种“先推演出粗粒度的运动趋势，再指导精细执行”的过程，正是动作思维链（Action Chain-of-Thought, ACoT）。

具体而言，ACoT-VLA 核心架构包含两个互补的推理模块：

1. 显式动作推理 (EAR) 生成“参考草图”

   EAR 作为一个轻量化的 Transformer 模块，根据多模态输入，提前生成粗粒度（长视距且序列稀疏）参考轨迹。它为机器人提供了一个物理上可行的“动作意图”，极大地减少了从观察到执行的映射歧义，为下游策略提供直接的参考轨迹 。

   
   

2. 隐式动作推理 (IAR) 挖掘“潜在直觉”

   IAR 通过下采样和交叉注意力机制，从 VLM 的内部特征（KV Cache）中提取潜藏的动作先验，捕捉如指令“伸出左手”所蕴含的潜在动作分布等隐式语义信息。

   
   

3. 动作引导预测 (AGP) 实现“精准落地”

   最终的动作输出模块，不再孤立地从噪声开始预测，而是通过双重交叉注意力机制，同时融合 EAR 的显式轨迹和 IAR 的隐式信息，赋予了模型极强的动作空间先验，以增强策略生成能力。

ACoT-VLA在多个主流具身智能benchmark上取得全面SOTA，在任务成功率、环境鲁棒性以及跨场景泛化能力上均显著领先现有VLA方法(比如

π₀、π_0.5、GR00T)。

LIBERO Benchmark：ACoT-VLA在Spatial、Object、Goal与Long 四类任务上均排名第一，平均成功率达到 98.5%。

LIBERO-Plus Benchmark：在包含相机、光照、背景和噪声等多种环境扰动的设置下，ACoT-VLA 取得 84.1% 平均成功率，显著超过现有方法。特别是在 Robot 初始位姿扰动场景中达到 62.5%，领先第二名20.8%。

VLABench Benchmark：在跨类别与纹理泛化测试中，ACoT-VLA 平均达到 63.5 IS / 47.4 PS，特别是纹理泛化任务上取得了 74.6 IS / 54.6 PS，显著优于其他方法。

Genie Sim 3.0 Benchmark (Sim-to-Real)：在面向真实世界迁移的  Genie Sim 3.0 评测中，ACoT-VLA 展示了良好的零样本跨域迁移能力，在仅使用仿真数据训练的前提下，在真实环境测试中取得了 82.9% 的平均成功率，显著优于π_0.5（77.5%）。

智元机器人一直致力于建设开放的具身智能生态。为了降低广大开发者进入具身智能研究的门槛，我们宣布：ACoT-VLA已正式作为 AGIBOT WORLD CHALLENGE推理-操作赛道的官方基线模型（Baseline）开源！

关于 AGIBOT WORLD CHALLENGE：

这是由智元机器人发起的全球性具身智能挑战赛，旨在征集全球顶尖算法方案，共同攻克真实场景下的机器人通用操控难题，参赛者可以基于 ACoT-VLA 的开源代码，利用我们提供的 AgiBot World Colosseo 大规模仿真平台Genie Sim 3.0进行二次开发与算法创新。

我们欢迎全球开发者：

• 积极改进：基于 ACoT-VLA 这一更具物理直觉的架构进行创新。

• 突破极限：在复杂的现实扰动环境下，挑战更高难度的通用操控。

• 共同定义未来：我们期待看到更多开发者利用灵感，突破具身智能的边界。

>>>  END  <<<