RoboBrain 2.0技术报告

RoboBrain 2.0 技术报告要回答的核心问题是：能不能用一个视觉-语言基础模型，把具身任务里的感知、推理和规划统一起来，并且撑得住物理环境中的复杂任务。BAAI 给出的答案是新一代具身视觉-语言基础模型 RoboBrain 2.0。它值得现在翻一翻，是因为它并不满足于只做识别，它要把“看懂、想清楚、做规划”放进同一套模型，同时给出轻量与完整两种规模。这意味着在讨论具身模型时，参数规模与能力边界可以放在同一份材料里对照着看，而不必在几篇不同来源之间来回拼。

材料覆盖的范围，是 RoboBrain 2.0 这一代模型本身的定位与能力。它被明确称为具身视觉-语言基础模型，针对的是物理环境中的复杂具身任务，设计目标是统一感知、推理和规划三个环节。能力清单包括可供性预测、空间指代、轨迹预测、闭环交互，以及多智能体长时程规划。换句话说，从“某个位置是否适合操作”这类局部判断，到多个智能体在较长时间里如何协同推进任务，都落在它想覆盖的范围内。方法取向上，它把视觉-语言基础模型作为统一底座，这种路线选择意味着能力需要在同一模型内部打通，而不能靠为每类任务单独堆专用模块来凑。

报告给出的第一个关键信息是规模上的两种形态：一个 7B 的轻量版，和一个 32B 的完整版。按材料所述，32B 版本在空间基准和时间基准上都领先于开源模型与闭源模型。这两个基准分别对应“空间关系理解得准不准”和“随时间推进的推理靠不靠得住”，是具身任务绕不开的两类考核。我的解读是，这说明在这条技术路线上继续扩大规模仍然能换来能力，也说明它的领先优势是被限定在空间与时间这两类基准上衡量的。

第二组值得逐条看的是那几项具体能力，因为它们串起来是一条执行链路，而不是若干孤立功能。可供性预测回答哪里可以被操作，空间指代把语言里的指称落到具体位置，轨迹预测给出运动走向，闭环交互要求模型在执行过程中根据反馈持续调整，多智能体长时程规划则把单步判断拉长到多主体、多步骤的任务上。前两项偏向“看懂”，中间一项衔接运动，后两项才真正进入执行与协同。这意味着一份材料同时覆盖了从表征到规划的多个环节，读者可以据此判断它的能力边界落在哪一层。

对实际做系统的人来说，这些结论的价值主要在两处。一是 7B 与 32B 并存，给了算力受限场景与追求能力上限场景之间的选点空间，轻量版可以承担对响应和成本更敏感的环节，完整版用于对空间与时间推理要求更高的任务。二是统一模型的思路，意味着工程上可以把原本分散的专用模块收敛到一套模型接口上，减少拼接成本——这是解读，不是报告本身的结论。同时也要记住，基准上的领先只是一个信号，它并不自动等同于真实机器人上的部署表现。

这份技术报告更适合做具身智能、机器人学习、视觉-语言模型方向的读者，尤其是需要判断“统一模型路线当前走到哪一步”的人。读完能拿走的，是一个清晰的问题框架（感知、推理、规划如何统一）、一组可对照的规模选项（7B 与 32B），以及一份明确的能力清单（可供性预测、空间指代、轨迹预测、闭环交互、多智能体长时程规划）。边界也需要说清楚：材料呈现的是基准层面的比较结论，没有给出真实物理环境中的评测细节；7B 与 32B 之间除规模之外还存在哪些能力差异，材料未作展开；训练数据与具体方法在这份材料中同样没有涉及。把它当作路线判断的入口是合适的，当作部署前的完整评估依据则不够。