一頓早餐，多重考驗：極智嘉 Gravity 具身模型複雜長任務能力大揭祕

　　炒股就看金麒麟分析師研報，權威，專業，及時，全面，助您挖掘潛力主題機會！

（來源：星海情報局）

在具身智能領域，長任務從不是時長競賽。

一條包含多個關聯子任務的作業鏈，考驗的是機器人對任務依賴、動作條件和環境變化的綜合管理能力。因此，長程任務不應只是比拼時長的「耐力賽」。

效率同樣重要。單步動作緩慢、步驟之間等待、子任務失敗后反覆重試、甚至整段重啟，都可能讓任務時間「變長」，卻不增加有效產出。

極智嘉Gravity具身智能模型在此次早餐任務演示中，面對反覆干擾仍能自主完成任務，展現出決策速度、動作精度、應變靈活度與糾錯自主度四個維度上的綜合能力，讓長任務執行兼具泛化能力與作業效率

決策速度

MoT雙腦架構與分層記憶

高效執行長任務，首先要求任務決策與連續動作有效銜接。

做早餐包含一系列關聯子任務。Gravity需要持續判斷當前步驟是否完成、下一步的執行條件是否滿足，避免重複判斷和無效切換。

在Gravity的MoT雙腦架構中，AR Transformer負責理解指令和場景、解析任務目標，並完成子任務編排；Diffusion Transformer負責預測未來狀態、評估子目標並生成連續動作。

Gravity 框架架構總覽

Short-Long Term Sensor-Task Memory 則維持任務上下文：短時記憶追蹤近期觀測、動作軌跡和環境變化，長期記憶保存任務目標、執行階段與關鍵事件。配合Stage/Progress狀態輸出，模型能夠持續判斷當前步驟的完成度與后續任務的執行條件，構成可感知、可校驗、可動態調度的任務閉環

動作精度

精密操作與可供性推理

單步操作的準確性，是控制長任務返工成本的基礎。

將麪包片放入狹窄槽口前，Gravity先調整面包片與槽口的相對位姿，對準入口，再完成約束插入。這種局部調整有助於減少錯位及重複嘗試。效率不是省略必要動作，而是通過精準操作降低整個子任務的完成成本。

當兩片面包間距不足、無法直接形成穩定夾取時，模型首先進行抓取可供性推理（Grasp Affordance Reasoning），判斷當前條件是否滿足；隨后通過非抓取操作（Non-prehensile Manipulation）主動調整目標構型，為穩定抓取創造空間，避免在不可行狀態下反覆試抓。

Gravity的Robot Skill與專家先驗機制，可進一步將定位、抓取、插裝、傾倒等操作封裝為可組合技能，並注入操作示範、工藝規範、完成標準和安全邊界，在提高泛化能力的同時降低試錯成本。

應變靈活度

4D WAM與在線重規劃

真實作業環境持續變化，執行動作也必須隨之更新。

麪包架和麪包機發生大幅移動后，Gravity重新定位源端與目標端，調整夾取和放置動作；餐盤移動后，亦能重新確定放置位置。模型依據當前環境狀態更新執行目標，而非沿用失效的位置與軌跡。

Gravity 4D通過RGB、Pointmap和Scene Flow構成4D未來表徵，聯合建模視覺外觀、空間結構與運動變化。WAM根據觀測與任務上下文推演未來狀態，逆動力學模型 IDM 據此生成動作chunk，為在線重規劃提供技術支撐。

當目標位置發生變化時，系統需要以最新觀測為條件重新生成動作。當杯子被遮擋時，模型進入安全等待狀態。

當杯子被移走時，果斷中止當前傾倒動作以避免傾灑。

未來狀態推演與執行條件校驗共同支撐行為調整，減少無效執行，兼顧作業效率與操作安全。

糾錯自主度

對齊物理狀態與任務狀態

長任務真正困難的地方，在於某個動作沒有達到預期結果后，機器人是否知道哪里出了問題。

當面包片未能正確插入時，系統需要根據完成條件判斷當前步驟尚未結束，重新估計麪包片與槽口的相對位置，執行局部重規劃並再次嘗試。這屬於動作級的閉環糾錯。

如果已經完成的任務狀態被改變，例如麪包片被重新取出，則系統需要將Stage回溯至對應步驟，再次執行夾取和插入。這屬於任務級的異常恢復。

糾錯的效率價值，在於僅修正受影響的步驟，避免局部異常觸發全流程重啟。

進一步地，Gravity通過Evaluation Model與強化學習建立「部署—反饋—評估—再訓練」閉環。成功、失敗和人工接管軌跡經過結構化評估后，可用於失敗樣本重加權和離線強化學習，讓現場異常持續轉化為模型能力。

泛化與效率同時成立

纔是真干活

此次早餐Demo集中呈現了一組可遷移的生產能力：任務編排、精密插入、抓取可供性推理、動態目標重定位、安全狀態管理和閉環異常恢復。

這些能力可以進一步遷移至倉儲中的打包、搬運、複覈和巡檢等任務。進入真實現場后，這套能力與WMS、WES、RMS協同，並接受成功率、作業周期、異常接管率和持續運行時間的檢驗。

Gravity以「深認知、快行動」將泛化能力與執行效率納入同一框架：面對變化能夠重新判斷，面對異常能夠自主恢復，同時以精簡推理鏈路守住生產節拍。

按預設座標把動作串起來，運行再久也只是「長腳本」。

只有把感知、規劃和多個動作持續串聯起來，並在環境變化、操作受阻之后繼續完成目標，機器人才能真正接手一段完整流程。