arXiv cs.AI· Qiuyu Ding, Heng-Da Xu, Changda Xia, Jiajun Shen, Zihao Guan, Zhengchen Yuan, Jianfang Zhang, Di Yang, Jiayi Tian, Yuting Xu, Fei Wang, Shiao Liu, Wei Zhang, Xiaolong Wu, Wenbin Tang, Zedong Chu, Mu Xu·· 3 天前AI 评分30
ABot-ER：通过智能体数据-模型协同进化实现统一具身推理
ABot-ER: Unified Embodied Reasoning through Agentic Data-Model Co-Evolution
AI 导读
ABot-ER 是一个统一具身推理基础模型，在感知、规划、执行三大能力上同时达到专家级深度。其 Agentic Data-Model Self-Evolution Engine 持续根据模型能力状态调整数据策略，Task-Conditioned Adaptive Training Strategy 则用 task tokens 激活共享骨干上的轻量低秩残差。
正文 · AI 翻译
作者：Qiuyu Ding、Heng-Da Xu、Changda Xia、Jiajun Shen、Zihao Guan、Zhengchen Yuan、Jianfang Zhang、Di Yang、Jiayi Tian、Yuting Xu、Fei Wang、Shiao Liu、Wei Zhang、Xiaolong Wu、Wenbin Tang、Zedong Chu、Mu Xu
摘要：我们提出 ABot Embodied Reasoning（ABot-ER），一个统一的具身推理基础模型，打破了具身推理中广度与深度之间的张力。具身智能要求同时掌握感知、规划与执行，然而在这一谱系上协调通用性与专业性仍是一个未解难题。在单一统一模型中，ABot-ER 在全部三项能力上均达到专家级深度，涵盖感知中的空间、场景与时间推理；规划中的长时程动作组织；以及执行中的点定位与可供性。Agentic Data-Model Self-Evolution Engine 持续调整数据策略以适应模型不断演进的能力状态。Task-Conditioned Adaptive Training Strategy 使用任务 token 在共享主干上激活轻量级低秩残差，将更新与异构输出格式分离，同时保留共享的具身知识。在覆盖三项核心能力与五个能力维度的十二个基准上的系统性评估中，ABot-ER 在统一参数框架内于感知、规划与执行方面均取得最先进的整体性能，表明广度与深度可以在统一具身推理中共存。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.18355 [cs.AI] |
| （或使用 arXiv:2610.18355v2 [cs.AI] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2610.18355 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Heng-Da Xu [查看邮箱]
[v1]
2026年10月13日星期二 13:21:56 UTC（6,076 KB）
[v2]
2026年10月14日星期三 06:44:13 UTC（6,076 KB）
来源：arXiv cs.AI · arxiv.org