魔法原子具身 Agent 框架拿下 MolmoSpaces 全球第一

近日，在艾伦人工智能研究所（AI2）发起的全球权威具身智能零样本评测基准 MolmoSpaces 最新榜单上，魔法原子旗下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，覆盖抓取、抓取放置、打开与关闭全部 4 个 v1 任务。同组下，自研具身智能 Agent 框架 MagicBrain 凭借 3.4B 参数规模，以 72.4% 的平均成功率位列全球第四，抓取成功率高达 94.4%。

MolmoSpaces 是目前全球具身智能领域最具公信力的零样本评测基准，明确给出初始场景、机器人配置与任务指令，把零散演示转化为可比较的数据。两个框架参与的四项任务涵盖自由抓取、关节物体交互与多阶段操作，考察的是系统能力而非单项指标。MagicLab Studio 负责人表示，团队认可分层架构，并针对当前模型在通用任务上的指令遵循难点，让 EchoPolicy 与 MagicBrain 分别通过 Agent 框架与端到端视觉加以解决，均取得较好结果。

EchoPolicy-0：让机器人多任务共享一套思考与行动方式

机器人完成任务需要把语言目标、视觉观察与物理动作持续连接。MagicLab Studio 将视觉语言模型、几何操作工具与通用动作策略组织为统一的 VLM Agent 框架 EchoPolicy-0，让观察、理解、选择、执行与验证形成闭环。框架还引入 VLM 目标引导的多候选轨迹选择：动作模型先提出多条候选轨迹，依据 VLM 指定的目标择优选出，并在执行后持续验证。EchoPolicy-0 在四项任务上完成 3915 局全量评测，截至 2026 年 10 月 13 日以 75.4% 的等权平均成功率位列全球第一。其价值不在单点成功率——新增任务时无需从零搭建系统，只需把能力接入同一套框架。

自研大脑：MagicBrain 让模型能“看见”，从“演示可用”逼近“产线可用”

MagicBrain 同样完成 3915 局全量评测，四项任务平均成功率 72.4% 位列全球第四，其中抓取与抓取放置两项拿下所在榜单全球第一，抓取成功率高达 94.4%。VLA 的语言遵循是行业共性问题：执行“把苹果放进篮子”，既要理解“苹果”这个名词，又要在像素层面找出哪个是苹果。魔法原子测试发现，抓取失败绝大多数不是动作不稳，而是抓错对象或放错位置——错不在手，而在眼睛。为此 MagicBrain 采用上下文视觉引导路线：VLA 只负责做动作，找目标交给更擅长看图的 VLM Agent，在不引入新结构、不堆参数的前提下重新排布信息传递路径，本次参评模型仅 3.4B。抓取成功率从此前约 70% 跨越到 94.4%，意味着 VLA 正从“演示可用”逼近“产线可用”的临界线。

魔法原子的“具身大脑”设计哲学

MagicLab Studio 负责人表示，团队更关心榜单背后的问题：具身智能机器人的大脑到底该怎么长。魔法原子认为具身智能应沿分层协同路线推进：上层负责理解、规划与纠错，底层负责将任务意图转化为可靠的物理动作。针对“上层意图如何被底层稳定执行”，团队尝试两种互补思路：其一是拿下第一的 EchoPolicy-0，通过 Agent 调度、候选选择与闭环验证提升执行一致性，可在不重训底层模型的前提下快速迭代；其二 MagicBrain 在上下层之间加一层显式视觉引导，配合后训练提升动作生成的目标对齐。两种思路分别作用于“执行验证”与“动作生成”两个环节，此次第一与第四的成绩验证了两条路径的有效性。

魔法原子表示，下一阶段将探索二者结合，形成从任务理解到物理执行的完整反馈闭环；进入真实工业场景检验成功率、稳定性与部署成本，把经验证的能力沉淀为可复用的技能模块与标准接口，建立“部署—采集—训练—评测—再部署”的持续迭代机制。