智元发布GenieReasoner：让机器人“想得明白，做得精准”
2025年初，智元机器人推出GO-1大模型，引爆了具身智能领域的数据飞轮——机器人开始能看懂指令、理解场景、自主规划。但很快，工程师们发现一个扎心的问题：机器人“脑子”越来越聪明，手却总在关键时刻“掉链子”。
你可能见过这样的场景：机器人听懂了“把红色杯子放在蓝色托盘上”，也识别出了目标物体，可抓取时却歪斜、滑脱、甚至碰倒其他物品。这不是硬件问题，而是“脑手脱节”——视觉语言模型（VLM）和动作控制模块各自训练、互不沟通，一个在推理，一个在硬拼，结果谁也救不了谁。
今天，智元具身研究中心正式发布第二代一体化具身系统——GenieReasoner。这不是一次简单的升级，而是一场对机器人“神经架构”的根本性重构。
革命性突破：把动作“说”出来
传统机器人系统中，大脑（语言理解）和小脑（运动控制）像两个说不同语言的部门。VLM输出的是语义向量，控制器要的是毫秒级的关节力矩序列，两者训练目标截然不同，梯度互相打架，模型只能在“聪明”和“灵巧”之间二选一。
GenieReasoner的突破口，来自一个看似简单却极为巧妙的洞察：动作，也是一种语言。
团队首创“离散动作词表”技术，将连续的机械臂轨迹、抓取力、姿态变化，编码成一串类似文本Token的离散符号。在模型眼里，预测“抓取杯子”和预测下一个词“然后”没有本质区别——它们都在同一个语义空间里被联合训练。
这意味着，当机器人理解“把左边的工具递给穿蓝衬衫的人”时，语言推理和动作生成不再是两个模块接力，而是同步思考、共同输出。大脑不再只是“下命令”，而是和小脑一起“想象”整个动作流程。
精度不打折：FACT编解码器让离散动作重回高保真
但问题来了：如果动作被离散化，会不会像压缩图片一样丢失细节？过去十年，业内尝试过多种离散化方法，不是精度崩塌，就是算力爆炸。
智元团队带来的答案是FACT（Flow-matching Action Tokenizer）——一套基于流匹配（Flow Matching）的全新编解码架构。
不同于传统“映射标签”式的离散化，FACT把每个动作Token看作一条“概率路径”的起点。解码器不是简单查表还原动作，而是从标准高斯噪声出发，沿着一条学习好的连续概率流，逐步还原出毫米级精度的物理轨迹。
实测数据显示：在同等Token数量下，FACT的轨迹重建误差比当前最优离散方法（如π0-FAST）降低了**90%以上**，逼近纯连续模型的精度水平。换句话说，它既保留了语言模型的泛化推理能力，又拿回了工业级操作的稳定性和细腻度。
ERIQ评测基准：第一次，真正区分“看不懂”和“做不好”
过去，我们用“任务成功率”评价机器人，但这个指标太粗糙了。失败了？是没听懂指令？还是听懂了但手抖？根本分不清。
为此，智元同步开源了行业首个具身推理评测集——ERIQ（Embodied Reasoning and Instruction Quantification）。
ERIQ包含6,000+个真实场景样本，覆盖家庭、仓储、超市、工厂等100+种环境，题目形式为单选题或判断题，全部由人类专家标注审核。评估维度细分为四大类、15项子指标：
- 空间感知与定位（如“哪个物体在最里面？”）
- 任务规划与监测（如“先开抽屉，再拿工具”是否合理？）
- 错误识别与恢复（如“我拿错了，该怎么办？”）
- 人机协作理解（如“用户指了指，但没说话，该怎么做？”）
更惊人的是，实验发现：在ERIQ上得分高的VLM，实际操作成功率也显著更高。这首次用数据证明：“脑子好，手才稳”不是口号，而是可量化的因果关系。
真机实测：未知物体、颜色指令、极端姿态，全都能扛
技术再牛，也要上真机跑一跑。GenieReasoner已在智元多款机器人平台完成全面验证，包括AgiBot G1、ARX、AgileX等，测试场景覆盖五大类高难度挑战：
- 未知物体（从未训练过的工具、容器）
- 复杂颜色指令（“深灰偏蓝的杯子”、“接近橙色但更暗的那个”）
- 极端空间位姿（物体被遮挡、倾斜、堆叠）
- 语义模糊指令（“帮我拿一下那个东西”）
- 多步动态任务（“先倒水，等5秒，再关盖”）
对比测试结果令人震撼：
- 相比离散基线模型（π0-FAST），GenieReasoner在保持同等理解能力前提下，任务成功率提升**37%以上**；
- 相比连续基线模型（π0.5），在复杂颜色和新物体任务中，指令跟随准确率提升**52%**，且无一例“过度拟合”错误；
- 在“未知物体”任务中，其成功率首次突破78%，远超所有SOTA模型（平均约55%），真正实现“见过的会做，没见过的也能猜”。
未来已来：具身智能进入“统一架构”时代
GenieReasoner的意义，远不止于一个新模型。它验证了一个颠覆性观点：机器人不需要“大脑”和“小脑”两个系统，它们本该是一体的。
就像人类不需要分开训练“思考”和“伸手”，我们的神经网络天然融合感知、推理与运动。GenieReasoner第一次在工程层面实现了这种生物式的统一。
目前，GenieReasoner核心代码、FACT编解码器、ERIQ评测集已全部开源，模型权重开放申请。智元表示，下一步将推动该架构接入更多开源机器人平台，加速行业生态共建。
如果你曾为机器人“看得懂、做不好”而困扰，那么今天，答案来了。
项目主页：https://geniereasoner.github.io/GenieReasoner
