今天，北京智源人工智能研究院（BAAI）正式開源 RoboBrain-X0，一個能夠在零樣本泛化、輕量微調條件下，驅動多種不同真實機器人完成復雜任務的具身智能基座大模型。其核心突破在于：用統一的動作空間與分層任務拆解，實現了「一個基座模型，N種身體」，為通用具身智能提供一條切實可行的路徑。

RoboBrain-X0 源自 RoboBrain 的多模態基座能力，在 RoboBrain 2.0 數據基礎上，進一步融合了真實機器人動作數據。通過統一建模視覺、語言與動作，它實現了跨本體的泛化與適配，具備從感知到執行的一體化能力。

據智源團隊公開的評測，RoboBrain-X0 在多個主流機器人本體上的真機實驗顯示：

• 零樣本遷移能力突出：僅靠統一預訓練，模型即能在不同本體完成pick&place等任務，指令跟隨與場景切換表現穩定
  
• 小樣本微調效應顯著：在每個任務/域僅提供50條樣本的微調情況下，RoboBrain-X0 的泛化表現已超過行業主流基線（如π0），尤其在混合本體、復雜場景下，少量微調即可具備針對復雜目標任務的拆解和執行能力，展現出遠高于傳統模型的數據效率和遷移性。
  
• 控制一致性強：不同本體在執行同一高層任務時，生成的動作原語序列高度一致，實際物理執行表現可靠。
  

這些結果意味著，RoboBrain-X0 不僅是理論上的「通用基座」，而且已在工程實踐中邁出了從單點突破到規模化落地的關鍵一步。

作為新一代跨本體基座大模型，RoboBrain-X0 突破對單一機器人體系的依賴，實現異構本體統一建模，并具備實用級 zero-shot pick&place 泛化能力與輕量微調下的復雜任務拆解能力。

• RoboBrain-X0 Github 地址：https://github.com/FlagOpen/RoboBrain-X0
• RoboBrain-X0多芯片版本地址FlagRelease：https://huggingface.co/FlagRelease/RoboBrain-X0-FlagOS
• 核心訓練數據集：https://huggingface.co/datasets/BAAI/RoboBrain-X0-Dataset
• RoboBrain 2.0 技術文檔：https://arxiv.org/abs/2507.02029

本體泛化困境：通用具身智能的核心阻礙

隨著機器人逐步走出實驗室，走進家庭、工廠、公共空間，行業也面臨著一個日益突出的難題：盡管模型在單一機器人上的能力日新月異，但這種智能卻像一座座孤島，難以遷移和擴展。

問題的根源在于，當前主流模型普遍采用在單一本體上端到端訓練的范式。然而，不同品牌、不同結構的機器人，其動作空間、自由度和動力學特性千差萬別，導致模型的智能被其物理載體（Embodiment）牢牢「鎖死」。

即便有了一個很好的具身大腦模型，每適配一種新硬件，都需要重新收集數據進行微調，更深層次上，這種模式還造成了嚴重的數據壁壘，不同本體間的數據難以復用，難以形成類似大語言模型領域的「數據飛輪」效應。

打破「本體枷鎖」，讓智能在不同物理形態間無縫流轉，已成為整個領域從單點炫技邁向全面普惠的決定性關隘。

實現「語義一致、控制一致、執行一致」三層對齊

面對這一制約，智源研究團隊的思路是，將一個高度依賴硬件的控制問題，轉化為了一個本體無關、直接描述物理世界交互的目標問題。

第一步，是統一「動作空間」

RoboBrain-X0 將不同類型機器人（無論是機械臂、移動底盤還是雙臂系統）的控制信號，全部映射到同一個動作空間，即末端執行器（End-Effector，EE）在三維空間中的位姿（位置與姿態）。這一抽象方式，直接跨越了各類機器人在自由度、結構定義上的巨大差異，無論底層關節、驅動方式如何變化，所有本體在 RoboBrain-X0 看來，都在用同一種「動作語言」進行感知、學習與協作。

其次，是離散化「動作詞匯」

智源團隊進一步引入「動作Tokenizer」機制，將原本連續且高維的物理操作軌跡，離散成一組可遷移的動作原語token。這些token基于分組殘差量化（GRVQ），分別對位置、旋轉、夾爪等多個維度進行壓縮和抽象。這樣，原本冗長復雜的控制指令被濃縮為簡明的token序列，模型能夠用更少的計算資源表達長時序行為，大幅提升訓練與推理效率，并增強了長時控制的穩定性。

最終，RoboBrain-X0 實現了跨本體的知識和能力共享

機械臂、移動底盤、雙臂系統等不同本體都能共享同一套操作原語，模型可以在不同類型機器人采集的數據上進行「混合本體數據訓練」，并從中抽取出具備普適性的物理知識與操作策略。過去難以遷移的跨本體能力，如今有了工程化落地的可能。

分層規劃與推理：讓「意圖到動作」可泛化、可遷移

RoboBrain-X0 的另一項關鍵創新，是將「語言到動作」這一長期困擾具身智能的難題，拆解為分層、可解釋的推理鏈路。通過模擬人類的分步決策過程，讓復雜任務的理解與執行變得更加高效、易于泛化。

1. 高層：意圖解析與任務分解。模型首先讀取自然語言指令（如「把蘋果放進籃子里」），理解整體目標，并自動分解為一系列語義明確的子任務（如「找到蘋果」「拿起蘋果」「放進籃子」）。
   
2. 中層：動作原語推理。每個子任務進一步被轉化為動作原語token序列。這些token代表「接近」、「抓取」、「放置」等可遷移的基礎操作，成為具身智能跨本體泛化的關鍵「詞匯」。
   
3. 底層：控制信號解碼。最終，動作原語token被解碼為具體的底層控制信號，如增量末端位姿和夾爪開合指令。這一層將抽象的意圖轉化為各類本體可直接執行的物理操作。
   

在訓練階段，團隊采用分階段、多模態的數據策略：

• 第一步，通過大規模視頻+語言數據（無動作配對）強化模型的空間理解與語義規劃能力；
  
• 第二步，逐步引入動作軌跡配對數據，建立從任務語義到物理控制的精準映射；
  
• 第三步，針對遮擋、干擾、新物體等現實難題，用小樣本微調實現定向強化與快速適應。
  

推理時，模型同樣先完成高層的任務拆解與子任務鏈生成，再通過動作Tokenizer，將抽象的動作序列穩定映射為不同本體可執行的控制信號。每一級推理都受到專門的數據監督和一致性約束，確保模型在異構機器人、復雜場景下都能輸出語義一致、行為穩定的策略。 這一機制不僅極大提升了模型的泛化能力，也大幅縮短了新任務、新環境的適應周期。

不止模型，同步開源核心訓練數據集

RoboBrain-X0 卓越跨本體能力的背后，是堅實的數據基礎。伴隨此次模型開源，智源同步向全球開放了其核心訓練數據集 RoboBrain-X0-Dataset。

該數據集的構建，旨在系統性地賦予模型兩大核心能力：

• 從通用感知到具身理解的數據：這一部分旨在讓模型「看懂」并「思考」物理世界。它在傳統的視覺問答（VQA）與推理數據之上，大量擴展了與物理交互強相關的任務，如物體 affordance 查詢（物體可以被如何操作）、軌跡生成和動作規劃。這些數據由開源成果與真實機器人采集共同組成，幫助 RoboBrain-X0 建立起從通用視覺語言到特定具身場景空間理解的橋梁。

• 從多樣化動作到泛化技能的數據：這是實現跨本體泛化的核心。智源團隊整合了多源數據，形成了一個層次豐富的動作知識庫。首先，它引入了如 Agibot World 等高質量的開源動作數據作為基礎。其次，團隊通過與松靈、星海圖等廠商深度合作，同時結合自采，構建了一套體系化的真實數據采集與標注流程。這批數據不僅包含了直接的「指令-動作」對，還創新性地加入了「指令-子任務推理-動作」的樣本，專門用于訓練模型的長程任務分解、進度感知與動態決策能力。
  

該數據集的開源不僅在于提供數據本身，「所有數據均經過統一格式化與嚴格的質量控制，供研究者開箱即用」，智源團隊表示，「同時，我們也希望為社區提供一個可復現、可比較的跨設備評測基準，幫助推動具身方法論的快速迭代與對齊，最終加速具身智能技術從實驗室走向產業應用的進程」。

實驗結果

為全面檢驗 RoboBrain-X0 的泛化能力與實際效能，智源研究團隊在權威的 Libero 仿真平臺和真實的機器人硬件上進行了一系列嚴格的評測，主要與當前業界領先的 π0-fast 和 π0 進行了比較。結果表明，RoboBrain-X0 不僅在理論性能上取得突破，更在真實世界應用中展現出顯著優勢。

在 Libero 仿真評測中，RoboBrain-X0 在空間理解（Spatial）、物體交互（Object）、目標導向（Goal）和長程任務（Long）等所有關鍵維度上，其性能均超越了其他模型，綜合成功率高達 96.3%，位列第一。

Libero仿真評測結果

更為關鍵的是，在更具挑戰性的真機評測中，RoboBrain-X0 的總體成功率達到了 48.9%，幾乎是基線模型 π0（19.8%）的 2.5 倍。特別是在基礎抓放任務中，RoboBrain-X0 甚至實現了 100% 的成功率。

真機評測結果，在空間關系理解（任務1）、基礎抓放（任務2）、類別泛化（任務3）、多目標處理（任務4）任務上全面超越π0

這些數據證明，RoboBrain-X0 所采用的跨本體通用架構，能夠有效將抽象的「任務意圖」轉化為精準的物理動作，其零樣本泛化能力并非停留在模擬層面，而是在復雜的真實物理世界中穩定、可靠，為具身智能從實驗室走向產業化落地奠定了堅實的基礎。

邁向「一個基座，N種身體」的新時代

RoboBrain-X0 在工程層面實現了基于一個統一的預訓練基座，在零微調條件下驅動多種異構真實機器人完成復雜任務。

RoboBrain-X0 的開源，不僅為全球具身智能行業提供了一個可復用、可擴展的通用基座，也為智能機器人規模化落地打開了新局面。

對開發者和學術界而言，研發重心將從底層的重復造輪子，轉向高層的創新與應用；對于產業鏈，機器人產品的智能能力將像安裝APP一樣實現快速適配，并能基于通用基座持續拓展；數據資產也將在更大范圍內流動和增值，促進軟硬件解耦和生態繁榮。

當然，通用具身智能的終極目標仍然遙遠。RoboBrain-X0 在復雜人機交互、動態環境理解、自主學習等方向還需持續進化。但通過統一動作空間和分層推理框架的落地，「一個大腦，多種身體」已從愿景變為現實的工程起點。

正如團隊所言：「我們希望 RoboBrain-X0 能成為連接不同身體、不同環境、不同任務的通用智能樞紐。」

從今天起，全球「具身智能基座」的競賽，或許才剛剛開始。