具身智能領(lǐng)域迎來重要進展！智元機器人（AGIBOT）聯(lián)合北京航空航天大學提出的 ACoT-VLA（Action Chain-of-Thought）架構(gòu)正式入選計算機視覺頂會 CVPR 2026。該研究打破了傳統(tǒng)VLA模型“語義強、動作弱”的瓶頸，首次提出在“動作空間”進行推理的思維鏈范式。目前，ACoT-VLA 已作為 AGIBOT WORLD CHALLENGE的官方基線模型正式開源，助力全球開發(fā)者攻克復雜機器人操控難題。

圖1: 不同空間下的思維鏈對比。

(a) 語言思維鏈將預測“子任務”作為中間推理步驟 ；

(b) 視覺思維鏈通過合成目標圖像來引導動作策略生成 ；

(c) 我們提出的動作思維鏈直接在動作空間進行推理，提供同質(zhì)化的動作引導 。

目前的視覺-語言-動作（VLA）模型雖然表現(xiàn)出良好的泛化能力，但通常將多模態(tài)輸入直接映射為底層動作，其痛點在于：現(xiàn)有的或顯式、或隱式的推理過程多局限于語言（如預測子任務）或視覺空間（如生成目標圖像），缺乏對物理動力學的直覺。這導致高級語義與精確的運動控制之間，橫亙著巨大的語義-運動鴻溝（Semantic-Kinematic Gap）。形象地說，機器人能“理解”任務，但極易在精細操作或面臨干擾時，因缺乏直接的動作指引而失敗。

面對物理世界的交互，推理過程應該是怎樣的？想象一下人類抓取桌上的蘋果，第一反應絕不是瞬間計算出手臂每時刻的精確坐標（細粒度控制），而是先在腦海中規(guī)劃出一個大致的運動趨勢——“抬手，伸向右前方，準備張開”（粗粒度意圖）。

正如大語言模型依賴中間文本推演的“文本思維鏈”，世界模型依賴中間圖像規(guī)劃的“視覺思維鏈”，在機器人的動作空間里，這種“先推演出粗粒度的運動趨勢，再指導精細執(zhí)行”的過程，正是動作思維鏈（Action Chain-of-Thought, ACoT）。

具體而言，ACoT-VLA 核心架構(gòu)包含兩個互補的推理模塊：

1. 顯式動作推理 (EAR) 生成“參考草圖”

   EAR 作為一個輕量化的 Transformer 模塊，根據(jù)多模態(tài)輸入，提前生成粗粒度（長視距且序列稀疏）參考軌跡。它為機器人提供了一個物理上可行的“動作意圖”，極大地減少了從觀察到執(zhí)行的映射歧義，為下游策略提供直接的參考軌跡 。

   
   

2. 隱式動作推理 (IAR) 挖掘“潛在直覺”

   IAR 通過下采樣和交叉注意力機制，從 VLM 的內(nèi)部特征（KV Cache）中提取潛藏的動作先驗，捕捉如指令“伸出左手”所蘊含的潛在動作分布等隱式語義信息。

   
   

3. 動作引導預測 (AGP) 實現(xiàn)“精準落地”

   最終的動作輸出模塊，不再孤立地從噪聲開始預測，而是通過雙重交叉注意力機制，同時融合 EAR 的顯式軌跡和 IAR 的隱式信息，賦予了模型極強的動作空間先驗，以增強策略生成能力。

ACoT-VLA在多個主流具身智能benchmark上取得全面SOTA，在任務成功率、環(huán)境魯棒性以及跨場景泛化能力上均顯著領(lǐng)先現(xiàn)有VLA方法(比如

π₀、π_0.5、GR00T)。

LIBERO Benchmark：ACoT-VLA在Spatial、Object、Goal與Long 四類任務上均排名第一，平均成功率達到 98.5%。

LIBERO-Plus Benchmark：在包含相機、光照、背景和噪聲等多種環(huán)境擾動的設置下，ACoT-VLA 取得 84.1% 平均成功率，顯著超過現(xiàn)有方法。特別是在 Robot 初始位姿擾動場景中達到 62.5%，領(lǐng)先第二名20.8%。

VLABench Benchmark：在跨類別與紋理泛化測試中，ACoT-VLA 平均達到 63.5 IS / 47.4 PS，特別是紋理泛化任務上取得了 74.6 IS / 54.6 PS，顯著優(yōu)于其他方法。

Genie Sim 3.0 Benchmark (Sim-to-Real)：在面向真實世界遷移的  Genie Sim 3.0 評測中，ACoT-VLA 展示了良好的零樣本跨域遷移能力，在僅使用仿真數(shù)據(jù)訓練的前提下，在真實環(huán)境測試中取得了 82.9% 的平均成功率，顯著優(yōu)于π_0.5（77.5%）。

智元機器人一直致力于建設開放的具身智能生態(tài)。為了降低廣大開發(fā)者進入具身智能研究的門檻，我們宣布：ACoT-VLA已正式作為 AGIBOT WORLD CHALLENGE推理-操作賽道的官方基線模型（Baseline）開源！

關(guān)于 AGIBOT WORLD CHALLENGE：

這是由智元機器人發(fā)起的全球性具身智能挑戰(zhàn)賽，旨在征集全球頂尖算法方案，共同攻克真實場景下的機器人通用操控難題，參賽者可以基于 ACoT-VLA 的開源代碼，利用我們提供的 AgiBot World Colosseo 大規(guī)模仿真平臺Genie Sim 3.0進行二次開發(fā)與算法創(chuàng)新。

我們歡迎全球開發(fā)者：

• 積極改進：基于 ACoT-VLA 這一更具物理直覺的架構(gòu)進行創(chuàng)新。

• 突破極限：在復雜的現(xiàn)實擾動環(huán)境下，挑戰(zhàn)更高難度的通用操控。

• 共同定義未來：我們期待看到更多開發(fā)者利用靈感，突破具身智能的邊界。

>>>  END  <<<