【论文解读】Athena-Brain Technical Report: An Efficient Robot Brain for General Intelligence and Embodied

Athena-Brain-8B从Qwen3-8B出发用四阶段后训练把通用推理、具身交互和短回复塞进一个8B端侧大脑论文Athena-Brain Technical Report: An Efficient Robot Brain for General Intelligence and Embodied InteractionXPENG RoboticsarXiv 2026发布时间2026 年 7 月 21 日arXiv v1作者Jialian Li、Junhong Liu、Yuchen Cao、Weiran Guo、Jiaming Song、Xutao Wang、Yi Zhao、Jiangpin Liu、Jie Chen共 9 人核心一句话在 Qwen3-8B-Base 上经 SFT→GRPO→具身专家→谱系感知合并四阶段Athena-Brain-8B 通用评测追平 Qwen3-8B-thinking 却把单步回复压到约 24 token在自建 Museum/Supermarket 具身交互上以 58.5% 总体成功率超过所有 7B–8B 同类并逼平乃至超过部分 GPT-5.5 量级的前沿大模型。配套资源论文 arXiv 页面https://arxiv.org/abs/2607.18985 小鹏机器人 XPENG Robotics 技术报告本篇为 v1尚未公开项目主页、代码仓库或模型权重核心关键词端侧机器人大脑on-device robot brain一个紧凑到能跑在本地、同时承担高层认知理解/推理/规划/工具调用的语言模型区别于云端前沿 LLM 或专用具身策略。四阶段后训练流水线General SFT → General RL → Embodied Expert → Model Merge每阶段只解一个目标、并为下一阶段做初始化。token-budget 奖励在 GRPO 里显式奖励“用更少 token 答对”把推理效率写进优化目标而不是事后裁剪。具身专家与统一观察-动作接口所有具身任务被统一成“收观察→出 JSON 工具调用→环境返回新观察”的闭环跨场景用同一套语言建模框架训练。渐进式具身等级E0–E3从房间级拓扑规划到自中心连续航向按交互复杂度分级形成课程。谱系感知两阶段合并lineage-aware merge同源 RL 专家用 TIES 在 Athena-SFT 锚点附近合并异源 SFT 检查点用低权线性插值后置注入不进 TIES 投票池。中间探针State-Goal / State-Return在端到端成功率之外单独测“近未来目标达成”与“回到曾到访位置”拆解具身能力来源。带着问题阅读一个 8B 模型凭什么同时保住通用推理、学会具身交互、还能把回复压短三者为何不能靠单阶段联合训练解决token-budget 奖励会不会“逼”模型偷懒——为了短而牺牲正确率16K rollout 预算这个数是怎么挑出来的Museum 和 Supermarket 两个自建环境是不是“按题训练按题考”零样本 ALFWorld 的迁移能说明几分泛化谱系感知合并里为什么异源 SFT 检查点不能直接塞进 TIES 投票池这背后是参数空间的什么几何直觉端到端成功率之外State-Goal 与 State-Return 两个探针揭示了能力的哪一块短板把这台“大脑”真正搬上机器人还差什么——视觉感知、连续时间交互、还是真实硬件闭环一、核心导读把一个 8B 的语言模型当成机器人的“大脑”装到端侧是这篇报告的核心命题。它要同时满足三件互相拉扯的事第一通用语言与推理能力不能掉因为机器人要在开放世界里解释指令、分解长程任务、调用工具第二要具备具身交互能力能反复感知环境、执行动作、根据反馈修正行为第三回复要短因为长程交互里模型在“感知—推理—动作”之间反复切换冗长的思维链会把延迟和 token 成本累积到不可用。XPENG Robotics 给出的答案是 Athena-Brain-8B。它从 Qwen3-8B-Base 出发走一条四阶段后训练流水线先用 General SFT 打通用底子再用 General RLGRPO token-budget 奖励把推理质量和推理效率一起优化接着进入 Embodied Expert 阶段在可执行的文本交互环境里练闭环具身能力最后用谱系感知的两阶段参数合并把通用与具身两路专家融进一个检查点。最终模型在通用评测上追平 Qwen3-8B-thinking 的同时把平均回复长度大幅压短在自建 Museum/Supermarket 具身评测上以 58.5% 的总体成功率显著领先所有 7B–8B 同类、并缩小甚至反超部分前沿大模型而单步平均只生成约 24 token。如上图所示作者把全文的判断浓缩成一张三轴权衡图通用能力、具身交互得分、生成代价token 数三者同时画进一张图。Athena-Brain-8B 的位置在“左上”方向——同等通用分数下 token 更少同等 token 下具身得分更高这正是它要主张的“最佳平衡点Best Balance”。这张图也是理解全文的钥匙论文的每一阶段设计都是在把这三个轴同时往“又高又省”的方向拉。上图进一步给出代表性基准上的成绩。可以看到在通用语言与推理上 Athena-Brain-8B 与 Qwen3-8B 几乎贴在一起但在域内具身交互任务上它把同量级模型远远甩开甚至逼近或超过几个前沿大模型。这条“通用不掉、具身大涨、回复变短”的主线就是后文要逐段拆解的内容。二、问题背景作者到底想解决什么2.1 端侧大脑的两难通用 vs. 具身作者把当前格局切成两类已有路线。一类是前沿 LLM在语言推理、对话、computer-use 上已经很强但没有为具身交互做过后训练推理时还倾向于输出冗长思维链直接拉高交互延迟。另一类是专用具身基础模型在特定环境的具身基准上表现不错但优化焦点是“特定环境里的具身行为”对开放世界机器人真正需要的高层推理与规划着力不够。也就是说两条路线各偏好一端要么通用而不具身要么具身而不通用。一个能上车的端侧大脑恰恰需要把两端都装进同一个模型里。2.2 为什么“又通用又具身又短”不能靠一锅炖把三个目标同时塞进一次训练会互相打架通用推理要长思维链才能拿分具身交互要短决策才能控延迟二者在 token 预算上是直接冲突的通用能力与具身能力又分属不同数据域混在一起容易互相稀释。作者因此选择分阶段、各管一目标的渐进式后训练每阶段只解决一个侧面但保留前一阶段的能力作为初始化最后再用模型合并把分支汇拢。这套“先分练再合并”的思路是全文方法论的骨架。三、核心思路用一条主线串起来Athena-Brain-8B 的主线可以一句话讲清把“通用、具身、高效”拆成四段顺序目标用 GRPO 把效率写进奖励用统一交互接口把具身拉进语言建模用谱系感知合并把异源专家安全汇拢。如上图所示流水线由四阶段构成从开源基座出发先建通用能力地基General SFT再用大规模强化学习打磨推理质量与响应质量General RL然后训练具身交互专家Embodied Expert最后通过模型合并把通用与具身两路专家融成单一的端侧大脑。这个顺序不是任意排列SFT 提供指令跟随与推理的初始化RL 在其上把“对且短”的行为内化具身专家另起一支在可执行环境里练闭环合并则在参数空间把两支安全接合。下面沿论文原始逻辑逐一展开。四、方法展开沿着论文原始逻辑拆解4.1 General SFT先打一个又宽又稳的通用地基第一阶段的目的是给后续一切能力开发一个稳定的通用初始化。作者从预训练的 Qwen3-8B-Base 出发做两段式渐进 SFT第一段在多样化的指令语料上大规模训练覆盖代码、通用、数学、科学、工具使用、中文问答等建立“又宽又稳”的通用专家第二段用一个规模小得多但精挑的高质量语料做细化重点改响应质量、推理一致性与指令遵循。第一段语料的加权采样构成如下表可以看到数学占比近一半代码与通用各占约两成这与“把推理与通用底子打厚”的目标一致。数据类型加权样本数采样占比Code1,013,47618.16%General1,169,71820.97%Math2,653,85847.57%Science293,8485.27%Tool use314,4815.64%Chinese QA133,9382.40%原论文 §3.1Table 1。第二段则按推理、工具使用、Agent 交互、指令遵循、多语言增强、通用 SFT 混合等“角色”配置高质量语料Table 2本质是在第一段的能力面上做质量抛光。两段各自独立优化、不是简单续训。SFT 之后Athena 拿到了一个强通用、可作后续 RL 初始化的检查点。4.2 General RL把“对”和“短”一起写进奖励SFT 解决了“会做”但解决不了“做得又对又短”。对端侧机器人而言不仅要决策正确还要在严格延迟下用更少 token 走到答案。作者因此引入 General RL用 GRPO 在可验证任务上联合优化推理能力与推理效率。奖励由两部分组成任务正确性奖励数学、科学、代码这类有标准答案的任务自动判分与token-budget 奖励显式奖励“用更少 token 答对”。最大生成长度被压到 16K token——这是关键的超参作者在 §5.2 里专门做了消融预算太紧4K会伤复杂任务表现太宽又会使 token-budget 奖励失去长度正则作用16K 是“够装下硬题推理、又紧到能逼出短回复”的折中。如上图所示训练过程中各代表任务的奖励持续上升说明推理能力在稳定增强同时平均推理 token 消耗逐步下降——这正是 token-budget 奖励在起作用模型不是被事后裁剪而是在优化目标里被推向“少想一点也能答对”。这一阶段产出一个高效通用推理专家作为后续具身训练的起点。4.3 Embodied Expert把具身交互拉进同一套语言建模通用专家再强也缺真实交互需要的具身知识感知环境、解读观察、规划动作、与外部系统交互。作者没有把模型直接扔进物理仿真而是构造可执行的文本交互环境作为“可扩展的机器人大脑后训练代理”。核心设计是统一观察-动作接口每一步模型收到当前观察输出一条结构化 JSON 工具调用环境执行后返回新观察循环往复。这样异构场景共用同一套语言建模框架。如上图所示作者搭了两个互补的服务机器人场景Museum 面向公共服务导航、导览、人机交互Supermarket 面向家务服务物品 grounding、移动操作、任务规划。两者任务目标不同但共用同一套观察-动作协议因此能在同一接口下训练。为了让模型从易到难学任务按交互复杂度分成四级具身等级等级能力代表任务E0高层拓扑房间/区域级任务规划、工具使用、目标搜索E1局部拓扑与朝向有限局部观察下保持位置、选择探索动作E2粗观察下连续位置估距、接近可交互物体、局部可达性推理E3视锥观察下连续航向自中心定位、转向、局部可见性约束下决策原论文 §3.3.1Table 3。低级偏感知与 grounded 动作预测高级逐步引入序列决策、动态环境转移与长程任务执行自然构成一套课程。如上图所示同一个“到零食区拿货架上架商品”的目标在 E0 是区域级规划到 E3 就变成自中心、视锥约束下的连续航向交互观察越来越局部、决策越来越细。这种“同目标、不同复杂度”的安排让模型先把基础具身能力练熟再逐渐接手更复杂的交互。训练流程上具身专家先用 4K 步交互轨迹做 SFT 热身再用 GRPO 按环境奖励优化策略。奖励来自可执行环境分数Museum 看目标访问进度与完成Supermarket 看购物车正确性与结账成功。Rollout 在任务完成、100 步上限或一次工具协议违规截断策略较宽松格式错误截断未知工具/锁定工具/可执行技能失败可恢复时停止。如上图所示平均交互奖励与任务完成率都随训练稳步上升说明 Athena 在这套渐进课程里确实把闭环交互能力练了进去。产出的具身专家是一支专司具身的分支下一步将与通用分支合并。4.4 Model Merge谱系感知的两阶段参数合并前面几阶段产出了多个互补的检查点。作者没有简单挑一个或做联合微调而是做谱系感知、两阶段参数空间合并。关键判断是不同检查点的“训练谱系”决定了它们能不能用同一种合并算子。第一阶段把同源 RL 专家都从 Athena-SFT 初始化相对 SFT 锚点的任务向量用 TIES 合并公式1τ i θ i − θ A t h e n a S F T \tau_i \theta_i - \theta_{\mathrm{AthenaSFT}}τi​θi​−θAthenaSFT​公式2θ s t a g e 1 θ A t h e n a S F T τ T I E S \theta_{\mathrm{stage1}} \theta_{\mathrm{AthenaSFT}} \tau_{\mathrm{TIES}}θstage1​θAthenaSFT​τTIES​因为这些专家共享初始化逐坐标符号一致就能合理解读为“同类后训练更新达成共识”TIES 的“剪低幅—选符号—合并同向项”因此能保留显著且一致的更新、抑制弱项与跨专家干扰。第二阶段引入一个异源 SFT 检查点来自不同训练谱系用低权线性插值后置注入不进 TIES 投票池。理由是它相对 Athena-SFT 的位移里混着谱系级差异与任务级差异逐坐标符号一致不再有可比基础。作者还做了反例验证即使把异源 SFT 重新锚到共同基座TIES 合并仍导致性能严重退化——形式上的共享锚点不保证局部可比性。如上图所示同源 RL 专家围绕 Athena-SFT 锚点用 TIES 合并异源 SFT 先验随后以保守线性修正注入下图给出两套更新机制在参数空间里几何形态不同的动机。合并系数按“通用与具身整体平衡”而非单基准最优来选最终得到 Athena-Brain-8B。这一阶段的几何分析同源 RL 更新偏 off-principal、低曲度、保谱异源 SFT 位移更大、谱与子空间变化更强解释了为什么两套更新必须分开处理。五、实验与证据结果能支撑到什么程度评测从两个互补视角展开通用能力数学、代码、推理、通用任务、函数调用与具身交互能力域内 Museum/Supermarket 四级 零样本 ALFWorld 迁移外加两个中间探针。通用评测在 DeepInsight 评测平台上统一进行思考模式开启、最大生成长度 40960、温度 0.6 / top-p 0.95 / top-k 20AIME 重复 8 次取平均其余单次。5.1 通用能力追平 Qwen3-8B-thinking且更省下表是 8B 量级通用能力对比节选关键行与各类平均基准Athena-Brain-8BAthena-SFTQwen3-8BMiniCPM4.1-8BMiMo-Embodied-7BRynnBrain-8BAIME 202476.6773.7575.8367.0862.082.92AIME 202570.8364.5868.7559.5850.831.25BeyondAIME51.0049.0043.0031.0025.004.00OlympiadBench79.7076.3076.8972.3070.5216.15LiveCodeBench v558.4353.0153.0153.6140.9623.49LiveCodeBench v654.6348.9053.0846.9237.0025.33ZebraLogic76.7074.0085.6045.3058.703.10GPQA-Diamond59.6059.0961.6231.8251.0140.91IFEval86.3278.1985.4073.2076.5273.01MMLU-Redux86.4785.8686.7486.1685.2674.25SuperGPQA46.6441.2040.3120.8339.5527.86LiveBench70.8068.6075.8055.6060.7044.50Arena-Hard v248.2143.2637.7318.8730.584.16Humanity’s Last Exam12.1814.608.4626.3710.615.04BFCL v1 / v2 / v381.51 / 76.94 / 43.1282.66 / 79.21 / 39.8884.46 / 77.52 / 36.8817.27 / 39.27 / 0.0070.79 / 59.53 / 6.8882.01 / 71.48 / 18.62TAU2 Airline/Retail/Telecom46.00 / 45.61 / 45.6154.00 / 40.35 / 44.7432.00 / 32.46 / 18.4236.00 / 6.14 / 6.1422.00 / 24.56 / 11.4026.00 / 5.26 / 10.53Math 平均69.5565.9166.1257.4952.116.08Code Reasoning 平均63.2558.6463.9048.6145.5617.31General Tasks 平均58.6055.8356.5844.6950.6138.53Function Calling 平均56.4756.8146.9617.4732.5335.65Overall 平均60.8558.5656.7039.6744.7327.99原论文 Table 4。读法Athena-Brain-8B 在 Overall 平均 60.85 上略高于 Athena-SFT58.56与 Qwen3-8B56.70数学与函数调用类提升最明显ZebraLogic 与 LiveBench 等少数项仍逊于 Qwen3-8B。值得注意的是几个“具身向”8B 模型MiMo-Embodied-7B、RynnBrain-8B、MiniCPM4.1-8B在通用推理上明显落后——这恰好印证了“专用具身易牺牲通用”的背景判断。5.2 推理效率又短又没掉分对具身智能体准还不够还得短。作者用“平均生成 token / 平均得分”作为 token cost越低越好。如上图所示Athena-Brain-8B 比 Athena-SFT 回复更短却更强。域内具身交互上的效率对比更极端Table 6Qwen3-8B-Thinking 单步平均 515.38 token、token cost 36.81Athena-Brain-8B 单步仅 24.25 token、token cost 0.41——既最高分又最低代价。这说明对紧凑具身模型而言“把推理效率练进策略”比“拉长思维链”更划算。模型Avg. Tokens ↓Overall Score ↑Token Cost ↓Athena-Brain-8B24.2558.520.41Athena-SFT83.496.9811.96Qwen3-8B-Thinking515.3814.0036.81Qwen3-8B-NonThinking101.357.0414.40MiMo-Embodied-7B150.963.7140.69RynnBrain-8B144.094.1334.89MiniCPM4.1-8B79.380.32248.085.3 域内具身交互8B 里断层领先并逼平前沿大模型域内评测在 Museum100 例与 Supermarket120 例上跑四级 E0–E3每 episode 上限 100 步报告成功率。Athena 是在这两个环境族上训练的外部基线为零样本。模型Museum Avg.Supermarket Avg.OverallGPT-5.580.079.279.6Gemini-3.1-Pro67.874.471.1DeepSeek-V4-Pro47.059.653.3Kimi-K2.647.357.552.4Qwen3.7-Max52.356.054.1Qwen3-Max41.545.043.3Athena-Brain-8B61.056.0458.52Athena-SFT5.08.966.98Qwen3-8B-Thinking19.258.7514.0Qwen3-8B-NonThinking9.54.587.04RynnBrain-8B8.250.04.13MiMo-Embodied-7B7.00.423.71MiniCPM4.1-8B0.00.630.32原论文 Table 5为可读性此处仅列环境平均与 Overall分等级数据见原文。两条结论很清晰第一在 7B–8B 里 Athena-Brain-8B 断层领先58.52 vs 次高的 Qwen3-8B-Thinking 14.0且比 Athena-SFT6.98大幅提升证明具身后训练确实把闭环交互能力注入了模型第二它把与前沿 API 大模型的差距压到很小——Overall 58.52 已超过 DeepSeek-V4-Pro53.3、Kimi-K2.652.4、Qwen3.7-Max54.1、Qwen3-Max43.3仅低于 GPT-5.579.6与 Gemini-3.1-Pro71.1。随等级升到 E3所有模型成功率都明显下降部分可观察性与长程决策是共同瓶颈。5.4 零样本迁移ALFWorld 上的泛化信号为避免“按题训练按题考”的质疑作者在未见过的 ALFWorld split 上做零样本评测。Athena 不在 ALFWorld 上做任何训练或微调。模型ALFWorld 成功率 (%)Athena-Brain-8B36.57MiniCPM4.1-8B40.30MiMo-Embodied-7B20.90Qwen3-8B-NonThinking20.15Athena-SFT11.94RynnBrain-8B11.19原论文 Table 7。Athena-Brain-8B 从 Athena-SFT 的 11.94% 提到 36.57%是具身后训练带来迁移收益的有力证据。需要诚实指出它的绝对值仍低于 MiniCPM4.1-8B40.30%——后者或许在类似文本环境上见过更接近的分布。作者自己也承认绝对成功率仍有提升空间把 ALFWorld 仅作“未见评测”而非优化目标这一点对结论的诚实性是加分的。5.5 中间探针拆解“为什么会变强”端到端成功率说不清是哪块能力在涨。作者用 Gemini 3.1 Pro 的成功轨迹采样出探针集与训练数据完全不相交每个探针 400 例、跨两环境四级均匀采样State-GoalH_g5 次调用内完成近未来目标、State-ReturnH_r10 次调用内回到曾到访位置。如上图所示两个探针分别测“往前走”与“往回找”两种能力。结果上 Athena-Brain-8B 的 State-Goal 从 Athena-SFT 的 6.0% 跃升到 59.3%在所有开源 7B–8B 里断层领先——说明具身训练最大的收益在“目标导向的短程执行”。State-Return 上它从 35.5% 升到 43.8%与 MiMo-Embodied-7B 持平但仍逊于 Qwen3-8B-Thinking50.8%与前沿模型。更有意思的是按交互进度分箱Table 10State-Return 随历史变长普遍下降Qwen3-8B-Thinking 从 92.3% 跌到 19.7%而 Athena-Brain-8B 在 41 步仍有 32.4%是开源 7B–8B 里最强的长程空间恢复。这说明它的收益主要来自“目标导向执行”与“较稳的晚期空间恢复”但绝对空间记忆与自定位仍是短板。5.6 合并分析合并到底保住了多少专家能力下表对比 Athena-Brain-8B 与各基准的“最强单专家”基准Athena SFTBest ExpertAthena-Brain-8BΔ(Brain − Expert)AIME 202564.5870.00 (RL)70.830.83AIME 202473.7573.75 (SFT)76.672.92LiveCodeBench v648.9049.78 (RL)54.634.85LiveBench68.6071.00 (RL)70.80−0.20ZebraLogic74.0074.60 (RL)76.702.10Arena-Hard v243.2643.26 (SFT)48.214.95GPQA Diamond59.0959.09 (RL)59.600.51BFCL v182.6683.09 (RL)81.51−1.58BFCL v339.8841.60 (RL)43.131.53In-Domain Embodied Overall6.9860.11 (embodied RL)58.52−1.59ALFWorld OOD16/13447/134 (embodied RL)49/1342原论文 Table 11。读法通用基准上合并模型大多追上甚至超过最强单专家具身上几乎保住 embodied RL 专家的能力58.52 vs 60.11仅 −1.59并在未训练的 ALFWorld 上反超49 vs 47。这正面支持了“谱系感知合并”的设计——一个检查点同时保住了两路专家的大多数能力。5.7 Rollout 预算消融与具身 RL 消融如上图所示三种预算约 40 步后都收敛左但生成长度随预算放宽而变长中下游表现对预算长度作图右4K 明显伤复杂推理16K 在只小幅变长的代价下显著提升表现。作者因此选 16K并不再加大——再大会让 token-budget 奖励失效。具身 RL 的消融Table 12平衡的 Museum–Supermarket 数据上则给出一个反直觉但漂亮的结论最佳配置是partial map mild reward format-only-stopOverall 0.6000。要点有三①format-only-stop 优于 all-error-stop——保留“可恢复错误”的轨迹比一错就停更能训出好策略这点在 full map 上更突出②mild reward 优于 punitive——过大的工具/截断惩罚会让 RL 过度规避协议而非学任务进度尤其在 Supermarket③partial map 反而胜过 full map——过高难度/高方差地图会稀释学习信号课程应维持适中难度。训练动力学Table 13/14还显示训练时完成率最高的配置不等于最终评测最强的配置format-only-stop 训练时完成率略低但最终策略更优——这是“保留恢复轨迹有助泛化”的直接证据。5.8 案例分析错误恢复与功能 grounding如上图所示左边的 Museum 案例展示错误恢复模型到达目标房间后 check-in 失败展品仍约 3.7m 远它没有重复同一个动作而是推断自己位置不对、补做局部导航、在目标可见约 0.5m后 check-in 成功——说明策略能用环境反馈修正空间假设。右边的 Supermarket 案例更有说服力用户请求是功能化描述“能溶解马桶污渍的清洁剂 刷马桶内部的刷子”模型要先推断对应商品、识别二者功能互补、再跨楼层规划搜索最终用 68 步跨楼层完成两项目标并结账。这说明模型在做“语义理解 长程规划 空间探索”的整合而非按显式商品名走预设动作。六、这篇工作的边界与可复现性诚实地说这份报告在几个地方留有明确边界评测偏文本交互非物理仿真或真机。Museum/Supermarket 是文本化、工具调用的交互环境作为“机器人大脑后训练的可扩展代理”是合理的但它不直接证明模型能在真实感知与控制下工作。作者在结论里也承认环境规模与多样性有限未来要接视觉语言感知与真机部署。域内评测是自建环境。Museum/Supermarket 由作者自建训练与评测同源存在“按题训练按题考”的风险。零样本 ALFWorld 与中间探针缓解了这一担忧但 ALFWorld 绝对值仍低于 MiniCPM4.1-8B迁移证据是“显著提升”而非“全面领先”。关键工程细节未充分披露。SFT 两段的具体语料来源、RL 奖励权重与配比、TIES 合并的剪枝阈值与第二阶段线性插值的具体系数、partial/full map 的划分标准、探针采样的统计波动AIME 重复 8 次但具身评测未报告方差等都没有给到可点对点复现的粒度。前沿模型对比是零样本 vs. 自训。Table 5 里 Athena 是在环境族上训练的前沿 API 模型是零样本比较虽能说明“8B 能逼近大模型”但并非同条件。作者对此是坦白的。合并的几何分析是定性 反例。关于“同源 RL 保谱、异源 SFT 强移”的结论主要靠奇异谱/子空间变化的定性观察与 TIES 失败的反例支撑没有给出可复算的量化指标复现门槛偏高。七、如果继续研究/落地应该关注什么把 token-budget 奖励推广到具身延迟。现在效率奖励压的是 token 数对真机而言更直接的是端到端延迟与决策频率。可以把“单步 wall-clock 预算”写进奖励让短回复真正对应快响应。从 step-based 走向连续时间交互。作者在结论里点名 Engagement Process 框架把交互建模成与环境持续 engagement 而非离散观察-动作环。这是把这台大脑搬上真机的关键一步真实环境是异步、持续、有动态事件的。统一物理与软件环境。论文设想把 coding agent 的长程规划、工具迭代、错误恢复与具身交互打通并让“可执行代码”本身成为机器人的动作接口——这等于把代码 agent 的自我修正能力迁移到物理交互是个值得追的方向。合并方法可迁移到更一般的异谱系场景。谱系感知合并对“多团队、多谱系检查点融合”是个实用范式先判训练谱系再决定算子。值得在更多模型族上验证“形式共锚 ≠ 局部可比”这一论断是否普适。补齐空间记忆与自定位。探针显示 State-Return 是短板尤其长历史下。后续可考虑引入显式空间记忆模块或外部地图工具把“回到曾到访位置”做成一类可训练的可恢复技能。把 partial-map mild format-only-stop 的反直觉经验做成通用课程准则。“适中难度 轻惩罚 保留恢复轨迹”胜过“高难度 重惩罚 一错就停”这对具身 RL 课程设计有方法论价值值得在更多环境上压测。八、术语与概念速查类别术语一句话定位基座/对比Qwen3-8B-Base / Qwen3-8B-ThinkingAthena 的预训练基座与同骨干的 thinking 基线通用能力主对照基座/对比Athena-SFT流水线第二阶段产出的中间检查点用于量化 RL 与具身阶段的增量基座/对比MiMo-Embodied-7B / RynnBrain-8B / MiniCPM4.1-8B代表性紧凑具身/边缘 7B–8B 对比模型通用弱、具身参差基座/对比GPT-5.5 / Gemini-3.1-Pro / DeepSeek-V4-Pro / Kimi-K2.6 / Qwen3-Max / Qwen3.7-Max用于域内具身零样本对比的前沿 API 大模型方法GRPOGroup Relative Policy Optimization无需人工偏好标注的大规模 RL方法token-budget reward显式奖励“更少 token 答对”把推理效率写进优化目标方法TIES任务向量合并算子剪低幅—选符号—合并同向项适合同源专家方法任务向量task vectorθ_i − θ_anchor刻画相对锚点的更新方向评测E0–E3四级具身等级从房间级拓扑到自中心连续航向复杂度递增评测Museum / Supermarket作者自建的两个文本交互评测环境分别偏公共服务与家务服务评测ALFWorld未见过的文本具身基准用于零样本迁移评测评测State-Goal (GSR) / State-Return (RLSR)中间探针近未来目标达成 / 回到曾到访位置评测Token Cost平均生成 token / 平均得分衡量单位性能的 token 代价越低越好概念谱系lineage检查点是否共享同一 SFT 初始化与训练路径决定合并算子选择概念Engagement Process论文点名的未来方向把交互建模为与环境持续 engagement九、拓展思考值得继续扩展研究与思考的创新点“谱系”作为合并算子选择的判据可形式化。现在判同源/异源靠训练路径与定性几何观察。能否用一个标量如任务向量相对锚点的子空间对齐度、或更新矩阵的谱距离来自动决定某检查点该进 TIES 池还是走线性插值这能把一个工程经验变成可计算的方法。token-budget 奖励的“诚实短” vs “偷懒短”需要专门评测。模型可能学会跳过必要推理来省 token。可设计“短路检测”——在需要多步推理的题上对比短回复与长回复的正确率分布把 token-budget 的副作用显式量化。中间探针可扩展为具身能力的标准评测骨架。State-Goal/State-Return 提供了“拆解端到端成功率”的思路。可系统化为一套具身探针矩阵目标达成、空间恢复、错误恢复、工具协议遵循、长程记忆让不同模型的能力剖面可比。“保留可恢复错误轨迹”可上升为通用 RL 课程原则。format-only-stop 胜过 all-error-stop 的现象提示 rollout 截断策略本身是课程信号的一部分。值得在更多 agent/具身 RL 任务上验证并理论化“错误恢复轨迹的信息价值”。文本具身代理的有效边界要标定。文本交互环境剔除了感知与控制的噪声是干净的“认知层”代理但它可能高估模型在真机上的表现。可做一个“文本环境—真机”对照实验量化文本代理的乐观偏差给社区一个校准系数。“代码作为动作接口”值得做成具身 agent 的新基线。论文设想可执行代码成为机器人动作接口。可设计一个让模型在交互中合成并执行小段代码路径规划原语、感知查询、动作序列的具身环境测试“代码即动作”是否比固定工具集更灵活、更可迁移。