魔法原子具身Agent框架登顶MolmoSpaces，EchoPolicy-0拿下机器人操作全球第一

量子位消息，在艾伦人工智能研究所（AI2）发起的全球具身智能零样本评测基准MolmoSpaces最新榜单上，魔法原子MagicLab Studio的VLM Agent框架EchoPolicy-0以75.4%的机器人操作平均成功率位列Combined榜单全球第一，覆盖全部4个v1任务。同一榜单、同一分组下，魔法原子自研的具身智能Agent框架MagicBrain以3.4B参数规模取得72.4%的平均成功率，位列全球第四。

MolmoSpaces是目前具身智能领域公信力最高的零样本评测基准之一，面向操作、导航以及更长程的具身任务。它的生态包含超过23万个室内环境和约13万个物体资产，机器人必须在不同背景、几何结构与物体分布下寻找目标并完成任务，而不是复现固定的演示环境。

该基准还包含可移动的刚体物体和带关节的交互对象，机器人不仅要在图像里找对目标，还必须通过真实的仿真接触改变对象状态，因此任务本身具有实质难度，也更能反映模型的泛化能力。

EchoPolicy-0在MolmoSpaces的四项操作任务上完成了3915局全量评测，取得75.4%的四项任务等权平均成功率。其方法核心是VLM目标引导的多候选轨迹选择：动作模型先提出多种可能的运动，将其投影到图像平面，再依据VLM指定的目标挑选更匹配的轨迹，并在执行后持续验证。当前版本已在Franka单臂平台上完成四类操作验证。

MagicBrain则采用被称为In-Context Visual Guidance（上下文视觉引导）的技术路线：VLA只负责动作，找目标这件事交给更擅长看图的VLM Agent。它在抓取（Pick-v1）与抓取放置（Pick & Place-v1）两项任务上均拿下所在任务榜单的全球第一，抓取成功率高达94.4%。

魔法原子MagicLab Studio负责人表示，团队认可分层架构这一具身大脑路线，并认为指令遵循是当前模型在通用任务上的难点：EchoPolicy通过Agent框架与轨迹打分来保证指令遵循，MagicBrain则通过端到端视觉引导来优化指令遵循效果，两者都取得了较好结果。

在行业层面，抓取成功率从此前70%到94.4%的跨越，意味着VLA正从“演示可用”逼近“产线可用”的临界线。工厂分拣、仓储搬运、家庭整理等高频基础动作都依赖抓取与放置，每一点成功率的提升都在扩大可商业化的场景边界。

魔法原子认为，具身智能应沿分层协同的路线推进：上层模型负责理解、规划与纠错，底层模型负责把任务意图转化为可靠的物理动作。团队也提到，视觉引导技术未来可迁移到交互等更多场景，这意味着“组合而非全能”的分工思路，或许比“一个模型通吃”更接近现实。