近日，大晓机器人正式开源新一代统一具身基模型 ACE-Brain-0.5，面向 Physical Agentic AI 这一新范式，推动具身智能走向真实物理世界中的自主执行。Physical Agentic AI 指能在真实物理世界中围绕目标自主感知环境、理解任务、规划、行动，并在交互反馈中持续调整和进化的智能体。作为 ACE-Brain-0 的重大升级，ACE-Brain-0.5 以空间智能为底座，将机器人基础模型从“理解世界”推进至“理解、规划、行动、评估、进化”一体化的闭环认知阶段。在单一 8B 参数主干下，模型统一整合空间感知、决策规划、具身交互与自我评估四大核心能力，并通过 SSR+ 训练策略协调 Grounding、导航、操作和进度评估等异质接口，为物理智能体迈向持续自我进化奠定统一而可扩展的认知底座。

当前，具身 AI 正处于从“模块化拼接”走向“原生自主智能”的关键转折点。现有 VLA 模型擅长生成动作，却往往受限于空间推理、长程规划与自我纠错；依赖多模型编排的 AI 智能体系统虽能完成复杂流程，却缺少统一的认知表征，造成接口割裂、误差累积与系统迟滞。ACE-Brain-0.5 正是对这一行业痛点的系统性回应：用一个统一具身基模型贯通物理智能体认知链路，让机器人在一个“大脑”中完成从看懂环境、拆解任务、物理执行到评估进展的全过程。

在多项国际权威具身智能评测中，ACE-Brain-0.5 以单一 8B 具身基模型，系统性超越了 OpenAI GPT-5.4、谷歌 Gemini-2.5-Pro、Anthropic Claude-Sonnet-4.6、英伟达 GR00T N1.6、Physical Intelligence π₀/π₀.₅、OpenVLA、Qwen-VLA-Instruct、NaVid、Uni-NaVid、RoboReward、Robometer 等全球主流开源与闭源模型。不同于依赖任务专用模型或多模型拼接的路线，ACE-Brain-0.5 在同一基模型中贯通空间理解、导航决策、机器人操作与自我评估，展现出全链路全球第一的技术实力。这些多维度 SOTA 结果表明，统一具身基模型正在推动机器人基础模型从单点能力竞争，走向面向真实物理世界的系统级智能。

范式创新：重新定义具身基模型，统一感知、规划、执行、评估和进化

ACE-Brain-0.5 首先改变的是统一具身基模型的定义。回顾具身智能的发展，第一阶段把将感知、规划、执行拆分为独立模块，虽具备可解释性，却难以适应开放复杂环境；第二阶段许多具身模型直接从观测生成动作，提升了端到端操作能力，但仍偏向动作执行，缺少空间理解、长程规划与执行评估；第三阶段多个机器人智能体通过大语言模型调度工具和专家模块完成复杂任务，但本质仍是多模型协作，难以形成统一认知表征。

ACE-Brain-0.5 面向 Physical Agentic AI 提出的统一具身基模型属于第四个阶段，把感知、规划、执行、评估和自我进化统一到同一模型中。这意味着，机器人基础模型正在从模块化流水线、 VLA 动作策略和多模型智能体，迈向统一认知架构的新阶段；其价值不只是让机器人“动起来”，更是让机器人开始具备围绕真实世界目标进行感知、推理、行动与反馈的完整认知链路。

系统创新：建立感知-规划-行动-评估的闭环

真实世界任务很少是“一步动作”完成的。以机器人前往酒店洗衣房清洗衣物为例，它需要先定位洗衣房和洗衣机，识别舱门、按钮、洗涤剂和可操作区域；再理解“放入衣物、添加洗涤剂、选择程序”的执行顺序；随后完成开门、投放、按键等连续操作；一旦出现舱门未闭合或衣物卡滞，还需判断问题所在并及时修正。

这类任务要求机器人具备完整的认识闭环。传统机器人系统往往依赖多个专用模块拼接完成这条链路，链路越长，接口越多，误差累积和系统不稳定性就越突出。ACE-Brain-0.5 的系统创新，在于将这一闭环放入统一模型之中。它让机器人开始具备“自我检查”的能力：不是做完动作就结束，而是持续判断自己离目标更近了还是更远了。一旦任务进展停滞或出现偏差，自我监控信号就能够为后续恢复、纠错和重新规划提供依据。

架构创新：慢脑理解规划，快脑实时控制

要把统一基模型真正用于机器人控制，还必须解决一个现实问题：机器人不能每动一下都重新“深思熟虑”。高层任务理解与多模态推理需要更强的语义能力，而底层导航与操作控制又要求低延迟、强反馈、连续执行。

ACE-Brain-0.5 因此引入“双时间尺度”的架构：一方面，通过视觉编码器与大语言模型融合用户指令、单视图、多视图和自我中心视频，形成高层具身状态，用于空间感知、任务分解、状态感知和高层规划；另一方面，通过快速视觉编码器与动作专家，直接接收最新多视角观测和动作噪声，提供实时视觉反馈，并生成导航、操作等低延迟动作输出。

这种设计让机器人形成“慢脑”和“快脑”的协同机制：慢脑负责感知、规划和多模态推理，输出文本推理、区域框、指向、可供性和轨迹等结果；快脑负责实时感知和短时预测，快速反应和动作执行。二者协同，使 ACE-Brain-0.5 不只是理解模型，也不是单一动作策略，而是一个真正面向物理执行的闭环认知系统。

训练创新：SSR+ 策略让全栈具身能力共存

真正把多种机器人能力统一到一个模型中，并不是简单把所有数据倒进去。空间问答和任务规划依赖文本生成，Grounding 需要输出点、区域或边界框，导航需要序列动作预测，操作需要连续动作片段，进度评估又要求对轨迹状态进行时间维度判断。这些能力不仅任务不同，输出接口也不同。若直接混合训练，模型很容易出现接口冲突：保留了任务知识，却输出了错误格式；强化了某项能力，却干扰了另一项能力。

ACE-Brain-0.5 的关键训练创新是 SSR+。它在 ACE-Brain-0 的 Scaffold-Specialize-Reconcile 基础上加入 Reactivate 阶段：先训练多个面向 QA、Grounding、导航、操作和进度评估的专门化 Checkpoint，再通过任务向量合并完成能力调和，将不同具身技能纳入同一参数空间，最后使用轻量级混合 SFT 重新激活任务能力、校准输出接口、减少冲突，并恢复不同任务之间的切换能力。换言之，SSR+ 是一种面向统一具身基模型的实用能力调和策略，多种机器人专家能力不再是彼此孤立的模块，而是在同一基础模型中稳定共存、协同调用，合成为一个统一大脑。

全链路评测：统一大脑不是口号，而是可验证能力

在国际权威具身智能评测中，ACE-Brain-0.5 系统性超越了当前主流闭源多模态模型、开源导航模型、VLA 操作模型与机器人奖励模型，斩获多项全球第一：在空间认知与具身推理任务中，超过 OpenAI GPT-5.4、Google Gemini-2.5-Pro、Anthropic Claude-Sonnet-4.6 以及 ACE-Brain-0、RynnBrain、RoboBrain 等代表性模型；在具身导航任务中，领先 NaVid、Uni-NaVid、NaVILA等开源基线；在机器人操作任务中，超越英伟达 GR00T N1.6、Physical Intelligence π₀/π₀.₅、OpenVLA、Qwen-VLA-Instruct、GTA-VLA、X-VLA、Uni-VLA 等主流 VLA 方法；在进度评估任务中，则超过 Robometer、RoboReward、RoboDopamine 等代表性机器人奖励模型，展现出从空间理解、导航决策、操作执行到自我监控的全链路领先能力，证明ACE-Brain-0.5 是一条已在国际权威基准上得到验证的 Physical Agentic AI 技术路径。

在具身空间感知与规划维度，ACE-Brain-0.5 在 VSI、MMSI、MindCube、ScanQA、SQA3D、ScanRefer、Multi3DRef、RefSpatial、PointArena、RoboAfford 等 18 个非空空间基准中的 14 项超过前代 ACE-Brain-0。其中，ACE-Brain-0.5 在 MindCube 空间心智建模基准上达到 86.3%，较 ACE-Brain-0 提升 4.2 个百分点；在 SQA3D 三维场景问答基准上达到 62.6%，较前代提升 7.8个百分点；在 Multi3DRef 三维多目标视觉指代定位基准上达到 72.4%，超过ACE-Brain-0（55.9%）；在ScanRefer语言对齐 3D 感知评测中达到70.2%；在 RefSpatial、PointArena、RoboAfford 等面向机器人空间定位与可供性理解的任务上，分别实现 29.6、23.8、18.6 个百分点的大幅提升，证明模型的空间智能已从单纯场景理解进一步扩展到面向行动的空间推理。

在具身导航维度，ACE-Brain-0.5 在 VLN-CE 的 R2R 与 RxR Val-Unseen 基准上表现稳健，显著优于 NaVid、Uni-NaVid 等主流开源导航模型。在 R2R Val-Unseen 上，ACE-Brain-0.5 取得 57.4% 的成功率（SR）和 51.7% 的路径效率加权成功率（SPL），超过 NaVid 的 41.9%/36.5% 与 Uni-NaVid 的 47.0%/42.7%；其 Specialist 版本进一步提升至 62.2% SR 与 56.2% SPL。在 RxR Val-Unseen 上，ACE-Brain-0.5 达到 63.8% SR、47.9% SPL 和 64.6 nDTW，整体领先 NaVid、Uni-NaVid、NaVILA等开源基线，体现出其在长程语言指令跟随、视觉历史整合和部分可观测场景决策中的综合能力。

在机器人操作维度，ACE-Brain-0.5 同样取得 SOTA 级表现。在 LIBERO 语言条件操作基准上，ACE-Brain-0.5 取得 98.2% 的平均成功率，超过 Qwen-VLA-Instruct（97.9%）、OpenVLA-OFT（97.1%）、GR00T N1.6（97.0%）、π₀.₅（96.9%）等强基线；其中 Spatial 与 Object 两个任务套件均达到 100.0%，Long 长程任务达到 97.0%，显示其空间理解与任务级表征能够有效转化为可执行操作能力。在 SimplerEnv-Bridge 基准上，ACE-Brain-0.5-VLA 取得 82.3% 的平均成功率，刷新该基准 SOTA，超过 GTA-VLA（81.2%）、X-VLA（76.0%）、Qwen-VLA-Instruct（73.7%）、Uni-VLA（69.8%）等方法，并在 Eggplant 任务上达到 100.0%，证明模型具备强跨物体操作泛化能力。

在进度评估维度，ACE-Brain-0.5 在 Robometer 构建的 RBM-EVAL-ID 与 RBM-EVAL-OOD 基准上均保持领先，展现出统一具身基模型所需的自我监控能力。该任务要求模型根据机器人轨迹预测任务进度，并判断不同执行质量轨迹之间的相对优劣。在 RBM-EVAL-ID 上，ACE-Brain-0.5 的 VOC 相关性达到 0.94/0.80，超过 Robometer-4B（0.92/0.78）、RoboReward-8B（0.82/0.51）等开源奖励模型；在更具挑战的 RBM-EVAL-OOD 上，ACE-Brain-0.5 达到 0.96/0.88，同样领先 Robometer-4B（0.94/0.81）与 RoboReward-8B（0.88/0.60）。这意味着模型不仅能在熟悉任务中判断执行进度，也能在未见本体、相机视角和场景中保持稳定评估能力。

面向 Physical Agentic AI，走向统一机器人认知架构

ACE-Brain-0.5 的意义，不只在于单项指标领先，更在于为 Physical Agentic AI 提供了一套可落地的统一建模路径。从 ACE-Brain-0 的空间智能底座，到 ACE-Brain-0.5 的统一闭环大脑，大晓机器人正在沿着一条清晰的技术路线推进：先让机器人具备稳定的空间理解能力，再进一步打通感知、规划、行动和评估的全链路，使模型逐步具备面向真实世界任务的闭环执行能力。

面向自动驾驶、低空经济、工业机器人、家庭服务等真实场景，一个能够看懂环境、规划步骤、执行动作并评估结果的统一具身基模型，将成为物理世界 AI 走向规模化应用的重要基础。ACE-Brain-0.5 现已正式开源，大晓机器人希望以此为起点，与全球开发者共同验证、完善和扩展统一具身基模型，让 Physical Agentic AI 在真实任务和实际场景中持续演进。

• Paper：ACE-Brain-0.5: A Unified Embodied Foundational Model for Physical Agentic AI

• Tech Report：https://github.com/ACE-Brain-Team/ACE-Brain-0.5/blob/main/assets/ACE-Brain-0.5.pdf

• Project Page：https://ace-brain-team.github.io/ACE-Brain-0.5/

• GitHub：https://github.com/ACE-BRAIN-Team/ACE-Brain-0.5

• Hugging Face：https://huggingface.co/ACE-Brain/ACE-Brain-0.5-8B