當你對著家用機器人說"把杯子放在筆筒和鍵盤之間，對齊杯身logo"時，它能精準理解空間關系并執行動作；當多臺機器人在超市協作補貨時，它們能自主規劃軌跡、避免沖突并完成長周期任務——這些曾經出現在科幻電影中的場景，正隨著RoboBrain 2.0的誕生加速成為現實。

作為新一代具身視覺-語言基礎模型，RoboBrain 2.0由北京人工智能研究院（BAAI）團隊研發，旨在打破"數字智能"與"物理智能"的鴻溝。這款模型以70億和320億參數的兩種規格，實現了感知、推理與規劃能力的統一，在空間理解、時間決策等核心任務上超越了現有開源與專有模型，為通用具身智能體的發展奠定了里程碑式的基礎。

傳統視覺語言模型（VLM）在數字世界表現出色，但面對物理環境時往往力不從心：要么無法精準判斷物體間的空間關系，要么難以規劃多步驟的長期任務，更遑論在動態環境中通過反饋持續優化行為。RoboBrain 2.0針對性解決了這三大瓶頸：

空間理解能力實現跨越式提升。模型能精準預測物體功能（如"杯子的握持部位"）、解析復雜空間指向（如"冰箱右側第二層的牛奶"），甚至生成符合物理規律的放置軌跡。在RoboSpatial機器人環境基準測試中，32B版本以72.43分的成績大幅領先于Gemini（59.87分）和Qwen2.5-VL（48.33分），展現出對機器人操作場景的深度適配。

時間決策機制支持閉環交互與長程規劃。通過分析視頻序列中的時序依賴關系，模型能完成"先打開咖啡機再倒入牛奶"這類多步驟任務，甚至在多機器人協作時協調行動順序。在EgoPlan2日常活動規劃基準中，其57.23分的成績遠超GPT-4o（41.79分）和Claude（41.26分），證明了在復雜時序任務中的優勢。

因果推理鏈條讓智能行為可解釋。不同于直接輸出結果的傳統模型，RoboBrain 2.0能生成"觀察-思考-行動"（OTA）的完整推理過程。例如在"尋找馬克杯并倒咖啡"任務中，模型會先規劃搜索路徑，再根據反饋調整機器操作，最終完成目標，這種透明化的決策過程大幅提升了任務可靠性。

圖1 | 幾項標準的對比

RoboBrain 2.0的強大能力源于其精心設計的異構架構，通過四大核心組件實現多模態信息的深度融合：

●?視覺編碼器：處理高分辨率圖像、多視角視頻等視覺輸入，采用自適應位置編碼和窗口注意力機制，高效解析復雜場景的空間特征。

●?MLP投影器：將視覺特征精準映射到語言模型的 token 空間，解決跨模態語義對齊難題。

●?語言模型主干：基于Qwen2.5-VL構建的解碼器，支持從自然語言指令到空間坐標、軌跡規劃等多樣化輸出。

●?場景圖處理器：結構化解析環境中的物體、位置及關系，為推理提供結構化知識支撐。

這種架構設計讓模型能同時接收"把紅色盒子放在圓桌中心"的語言指令、多攝像頭拍攝的廚房畫面、以及包含家具位置的場景圖數據，通過統一的 token 序列進行聯合推理，最終輸出精確到像素級的操作坐標。

圖2 | 該機器人的能力

RoboBrain 2.0的性能突破離不開大規模高質量數據的支撐。團隊構建了涵蓋三大類別的訓練數據體系，總規模達數百萬樣本：

通用多模態數據奠定基礎能力。整合LLaVA-665K、LRV-400K等數據集，涵蓋視覺問答、區域查詢、OCR理解等任務，確保模型具備基本的跨模態交互能力。

空間數據強化物理世界感知。包括：

●??152K張高分辨率圖像的視覺定位數據，支持精確到 bounding box 的物體定位

●??190K組物體指向樣本，訓練模型理解"左上角的藍色杯子"等空間描述

●??826K條3D空間推理數據，涵蓋距離、方向等31種空間概念，遠超傳統數據集的15種

時間數據培養動態決策能力。包含：

●??50K條第一視角規劃軌跡，模擬人類日常活動的時序邏輯

●??44K組多機器人協作樣本，覆蓋家庭、超市、餐廳等場景

●??大規模閉環交互數據，通過模擬隨機故障事件，提升模型在動態環境中的魯棒性

訓練過程采用三階段遞進策略：首先通過基礎時空學習掌握環境感知能力，再通過具身增強訓練適配物理交互場景，最終通過思維鏈推理訓練提升復雜任務的解決能力。這種"從感知到行動"的培養路徑，使模型能高效吸收海量數據中的知識。

圖3 | 訓練數據的分布

在12項公開基準測試中，RoboBrain 2.0-32B在6項任務中刷新SOTA（state-of-the-art）成績，展現出全面的能力優勢：

●?空間推理：在BLINK基準的深度感知與空間關系任務中，以83.63分超越GPT-4o（77.90分）和Gemini-2.5（81.83分）；在Where2Place物體放置預測任務中，73.59分的成績是Qwen2.5-VL（39.92分）的1.8倍。

●?時間規劃：Multi-Robot-Plan多機器人協作任務中，80.33分大幅領先于Claude（71.30分）和Gemini（65.39分）；EgoPlan2日常活動規劃中，57.23分顯著超越所有對比模型。

●?實際操作：在ShareRobot-Bench的軌跡預測任務中，動態弗雷歇距離（DFD）達到0.2368，遠低于Qwen2.5-VL的0.5034，意味著機器人運動軌跡更平滑精準。

值得注意的是，輕量版7B模型在保持緊湊體積的同時，性能仍超越多數開源模型，為資源受限的邊緣設備部署提供了可能。這種"大模型保性能、小模型保部署"的雙版本策略，大幅降低了具身AI技術的落地門檻。

RoboBrain 2.0的技術突破已展現出廣泛的應用前景：

在家庭服務場景中，模型能理解"把陽臺的衣服收進衣柜下層"這類包含空間約束的指令，自主規劃移動路線并完成操作；在工業協作中，多臺機器人可基于模型的規劃能力協同完成流水線裝配，通過實時更新場景圖應對突發狀況；在倉儲物流中，系統能根據訂單需求優化機器人的取貨路徑，動態調整任務優先級。

更深遠的意義在于，團隊已開源模型代碼、 checkpoint 和基準測試工具（https://superrobobrain.github.io），這將推動整個具身AI領域的發展。正如報告中所言："我們希望RoboBrain 2.0成為連接視覺-語言智能與物理世界交互的橋梁，為通用具身智能體的研發提供扎實基礎。"

未來，隨著與Vision-Language-Action（VLA）框架的融合以及機器人操作系統的深度集成，RoboBrain 2.0有望實現"感知-推理-行動"的端到端閉環，讓機器人真正理解物理世界的規則，在家庭、工廠、社區中成為可靠的智能助手。

當AI從屏幕走向三維空間，從處理數據轉向改造世界，RoboBrain 2.0的出現，或許正是通用人工智能征程上的關鍵一躍。