过去一年，具身智能在'视觉理解 + 语言推理'上进步明显，但从实验室走向真实部署时，常遇到'看得见却做不对'的问题。这主要源于两个被低估的短板：空间维度的度量盲区，以及时间维度的过程建模不足。
在空间不准上，模型虽能理解 2D 图像中的目标与关系，却缺乏将其转化为真实尺度下可执行 3D 轨迹的能力，导致抓取、装配等操作因深度、距离等物理度量不准而失败；在过程不稳上，多数模型仍将动作生成简化为静态序列预测，依赖稀疏的成功标签，无法对操作过程中出现的打滑、偏移等动态变化做出实时评估与调整，致使长任务难以稳定完成。
这就要求新一代具身模型，把空间能力从'2D 指点'升级为'精确 3D 规划'，满足物理世界的度量约束与可执行性要求。
智源研究院发布了新一代具身智能基础模型 RoboBrain 2.5。作为 RoboBrain 系列的最新版本，它在延续通用感知、空间推理与时序建模能力底座的基础上，通过更大规模的高质量时空监督训练，完成了两项面向真实物理世界的关键升级：Precise 3D Spatial Reasoning（精确 3D 空间推理）与Dense Temporal Value Estimation（稠密时序价值预测），让机器人不仅能理解任务，更能在物理约束与过程反馈中把任务做对，推动具身智能从'能看懂、能说清'，迈向'能落手、做得准、做得稳'。
空间能力与时间能力的协同升级
RoboBrain 2.5 在具身智能的两项关键能力维度上实现系统性升级：Spatial（空间）与 Temporal（时间）。空间侧强调Depth in Sight——从 2D grounding 走向具备真实尺度约束的 3D 规划与轨迹生成；时间侧强调Time in Mind——从结果监督走向可泛化、可闭环的稠密进度与价值评估。
二者形成有机协同：前者保障动作在几何意义上可执行，后者保障执行过程中可感知、可纠错、可恢复，共同将具身系统从 demo 级成功，推进到更接近真实部署需求的稳定可靠。
Depth in Sight：精确 3D 空间理解
传统具身模型多将空间输出限制在'单点 / 单目标'层面，即预测一个目标位置作为动作触发条件。RoboBrain 2.5 将空间输出接口扩展为完整操作过程的轨迹级表达：模型不再只给出一个落点，而是输出有序的关键点序列，用于描述从起始状态到目标状态的完整操作流程，从而在表示层面同时编码空间规划与步骤结构。
这一能力被拆解为三类互补的空间技能：
- 3D Spatial Referring：定位目标在图像中完成目标对象与关键部位的 3D 定位，为后续动作提供'落点依据'。
- 3D Spatial Measuring：理解真实尺度估计真实世界的绝对度量量（如距离、间隙、悬停高度等），满足装配、贴合、避障等任务对'厘米/毫米级'约束的要求。
- 3D Spatial Trace Generation：生成可执行轨迹输出'符合碰撞约束的可执行关键点轨迹'，让机器人具备更强的几何可行性与动作连贯性。
RoboBrain 2.5 采用可解耦的 (u, v, d) 表示：每个点由图像平面坐标 (u, v) 与绝对深度 d 构成，并可通过相机内参直接投影到 3D 坐标系，从而避免让大模型'暗自学习相机几何'，让训练更直接、输出更可控、系统对接更工程化。更重要的是，这一表示还可向下兼容：去掉深度就是 2D 轨迹，只保留起终点可变成 3D/2D referring 数据，使得多任务协同训练更自然，进一步夯实通用具身能力底座。
Time in Mind：稠密时序价值预测与闭环可靠性
真实物理世界中的长时任务，并不缺少动作序列，而是缺乏过程级监督：当前执行到了哪一步？是在有效推进、停滞、偏离，还是已经发生失败？为此，RoboBrain 2.5 引入 Dense Temporal Value Estimation（稠密时序价值预测），基于视觉观测对任务进度进行步级别、连续评估，为下游控制与策略学习提供可随时调用的价值信号。
长时程操作需要的不只是最终成功信号，而是连续、细粒度的反馈来引导复杂中间状态。RoboBrain 2.5 通过稠密价值估计补上了这块短板，为闭环控制与高效强化学习提供基础，实现了从'稀疏成功标签'到'稠密进度反馈'的跃进。
为降低长轨迹执行中的误差累积、提升多视角鲁棒性，RoboBrain 2.5 从三个互补视角生成并融合进度估计信号：
- **增量式（Incremental）：**精细捕捉局部动态，但易累积漂移。
- **前向锚定（Forward-anchored）：**以初始状态为全局参照，更稳定。
- **后向锚定（Backward-anchored）：**以目标状态为参照，对接近完成阶段更敏感。
三者融合后，得到更具抗漂移能力的价值信号，用于支持长时闭环执行。
在 Online RL 场景，策略会探索训练数据没覆盖到的状态，价值模型可能输出'虚高信号'，引发 reward hacking 风险。RoboBrain 2.5 引入双向一致性校验（Bi-directional consistency checking），以不同时间锚定视角间的一致性作为可靠性代理，有效降低 OOD 状态下价值幻觉对学习过程的误导。
渐进式双阶段训练路线
RoboBrain 2.5 延续并强化渐进式双阶段训练路线，以先构建强泛化通用能力，再引入严格物理约束的方式，系统性提升具身智能在真实环境下的可执行性与可靠性。
阶段 1：通用时空基础
RoboBrain 2.5 先通过大规模通用时空学习搭建'Generalist Brain'，把具身智能在真实环境中最通用、最底层的能力先打牢——既能稳定理解视觉语义与语言指令，又能完成 2D grounding 并形成对三维空间的定性认知，同时具备基础的任务规划与时间逻辑理解（包括基于对比学习的时间价值判断）。这一阶段的作用是提供一个强鲁棒、强泛化的初始化，让模型先'看得懂、想得通'，为后续引入更严格的物理约束与精确监督打下可迁移的通用底座。
阶段 2：特定时空增强
在通用能力稳定之后，RoboBrain 2.5 将训练重心进一步压向'物理可执行性'与'闭环可控性'，通过两条强化路径把语义推理落到真实动作层面：一方面引入面向度量的 3D 轨迹学习（Metric-Aware 3D Tracing），让模型从定性空间关系迈向定量几何约束，能够学习绝对 3D 坐标、深度轨迹以及可度量距离，从而输出在真实尺度下可执行的操作关键点与轨迹；另一方面升级时序建模为稠密价值估计（Dense Value Estimation），把原先的两两比较式时间价值学习推进为显式的 Hop/进度预测，使模型具备可直接用作价值函数（critic）的在线反馈能力，进而支持策略排序、过程监控与错误恢复等闭环需求。
与此同时，通过在这一阶段引入数据 replay，将第一阶段的部分数据混入训练，抑制'学精确能力时遗忘通用能力'的风险，实现'通用不掉线、精确再跃迁'的协同增益。
RoboBrain 2.5 的训练数据分布。左侧饼图展示了数据集的层级构成，按领域划分为时序（红色）、通用（青绿色）和空间（蓝色）。右侧柱状图以对数坐标展示各具体能力维度/任务的训练样本数量。
在多项空间推理与时序价值估计基准任务上，RoboBrain 2.5 取得了新的 SOTA 表现。这并非单点能力的提升，而是空间（可执行）与时间（可闭环）两条能力链路的同步补齐，使模型整体更接近真实机器人系统对'可控性与可靠性'的核心需求。
在空间推理与时序价值估计等关键基准上，RoboBrain 2.5 的优势更体现为'整体补齐'。对通用基线而言，2D 空间推理平均分 75.82 高于 Gemini-3-Pro-Preview（66.14）、Qwen3-VL-8B-Inst.（64.18）、GPT-5.2（49.33）；对具身基线而言，2D 平均分从 RoboBrain-2.0（54.96）、Mimo-Embodied（58.97）提升至 75.82，并在跨视图对应能力 CrossPoint 榜单上呈现更为明显的领先。进一步在更强调可执行性的 3D 任务上，RoboBrain 2.5 在 TraceSpatial 取得 3D Start/End/Success = 83/63/44，显著高于 Gemini-3-Pro-Preview（30/25/7）、Qwen3-VL-8B-Inst.（30/18/6）与 GPT-5.2（23/19/0），凸显其在真实尺度几何约束与可执行轨迹生成上的优势；此外在时序价值估计中，RoboBrain 2.5 在多个数据源上保持更强的正负一致性（如 DROID 90.82/90.07、LIBERO 98.97/98.94），相比通用模型常见的'VOC+ 较高但 VOC− 偏弱'（如 GPT-5.2：91.45/15.29），更有利于闭环学习与在线纠错。
真实世界评测验证了 RoboBrain 2.5 在接触丰富任务（contact-rich tasks）中展现出更强的 zero-shot 鲁棒性，能更有效地将 demo 级成功转化为部署级可靠性。这对产业落地尤为关键：很多失败并不是'看不懂指令'，而是'过程不稳、空间不准'，RoboBrain 2.5 正面命中这两类核心问题。
在工程可扩展性方面，智源研究院基于其 FlagOS 多芯片统一 AI 系统软件栈，推出了面向具身智能的训推一体化多芯片框架 FlagOS-Robo。基于此框架，RoboBrain 2.5 项目在包括摩尔线程在内的多种 AI 芯片集群上，完成了完整的端到端训练与对齐验证。实验结果表明，其训练损失值（loss）对齐，训练趋势一致，最终 loss 差异仅为 0.62%。在下游任务的多个评测集上，模型效果也实现了对齐。这为项目更大规模的持续迭代与产业部署奠定了坚实的工程基础。同时，借助 FlagOS-Robo，用户可以将基于各类 AI 芯片平台的训练成果，无缝迁移至多种端侧 AI 芯片平台进行推理验证，从而实现'训练 - 推理跨芯片'的灵活交叉使用。
具身智能的下一步
RoboBrain 2.5 传递出一个更明确的方向：具身智能迈向通用与规模化，关键不只在更会推理，更在于与物理世界对齐、并具备可持续的闭环优化能力。面向下一阶段，团队将继续围绕世界模型式的预测与规划、更丰富本体与真实场景的验证迭代、适配不同部署需求的模型形态演进，以及数据—模型协同的自增强机制等方向推进，让具身智能从能力领先走向工程可用与规模化落地。
RoboBrain 2.5 的技术突破，根植于智源在具身智能领域的长期深耕与系统专研。为赋能具身智能技术研发，智源已经构建出以具身大脑为核心，自底向上全栈具身智能技术体系，包括能够跨异构本体数据采集以及标准化一站式平台，具身大小脑以及 VLA 等具身基座模型，还有具身智能评测等，为具身技术生态提供了一套可复现、可对齐的公共基础设施，持续降低从研究到产业化落地的门槛，加速实现具身智能的产业与社会价值。
