招商局狮子山实验室开源「驭物™ Lion-ER-35B-A3B」：35B MoE架构、每Token仅激活3B，十项具身基准全线提升

11月4日，量子位刊文介绍，招商局先进技术研究院下属狮子山人工智能实验室发布具身推理视觉语言模型「驭物™ Lion-ER-35B-A3B」。该模型采用MoE混合专家架构，总参数约35B，每个Token仅激活约3B参数，目前已在Hugging Face开放权重。

文章给出的背景是，机器人在真实环境里最常犯的错并非“看不见物体”，而是把视觉表象当成三维事实：画面里位置更高的物体不一定在空间中更高，换了拍摄角度家具外观变了但仍是同一件东西，画面里的位移也可能只是相机在转动。视角混淆、相机运动误判、任务进度错估，都会直接导致执行失败，因此模型需要读懂空间关系、抓住状态变化、判断任务处在哪个阶段。

团队没有选择继续放大参数量。文章提到，Open X-Embodiment、DROID 等工作不断拓展真实机器人数据的边界，但数据规模扩大之后，“更多数据并不等于更多能力”这一问题也越来越清楚，已有研究表明仅调整不同数据域的训练权重就能明显影响下游表现。于是他们把重点放在一套“能力牵引的具身数据引擎”上，而不是盲目收集海量数据。

这套引擎的第一步是画出一张细粒度能力蓝图：把具身推理拆成实体、空间、时序、物理、可供性、任务、社会、证据等8个一级领域，再细化出39项二级能力，并把推理方式、输入形式和回答形式作为独立维度分开标注，避免分类维度混用。蓝图不只规定模型要学什么，也规定这些能力该在什么条件下被调用，真实任务涉及复合能力时会分别记录主能力与辅助能力。

第二步是把抽象要求“编译”成一道道训练题目，明确需要什么场景、怎样组织观察、提出什么问题、依据什么确定答案；第三步是用数据提纯、几何构题、定向合成三条路线保证每题有据可依。团队坚持的原则是保留有证据的难题、排除缺证据的伪难题——模型答错不是删样本的理由，多个模型给出相同答案也不能单独证明答案正确，对持续失误的高难样本还会引入人工复核。

最终用于监督训练的数据集包含312380条样本，训练预算按能力需求分配，而不是由某个数据源的题量决定权重。评测也不再是训练结束后的成绩单，而是下一轮数据生产的起点：团队用 Eval-Driven Data Harness 从错题中定位能力缺口，再从一个覆盖31个数据源、约430万条记录的素材池里检索推理逻辑相同但场景不同的新素材，构题核验后加入训练，由此形成闭环。

在这套机制加持下，模型在评测覆盖的十项公开基准上等权综合均分达到65.29，评测口径为avg@4，即每题独立作答4次取平均。单项上，Where2Place 空间放置评测得分64.28，较基座提升9.30分；ERQA 具身推理基准得分64.38，较基座提升6.19分；空间推理基准 SAT 达到89.33；ERQA 的轨迹理解子类达到68.18，相较基座提升12.12分。文章称十项基准得分均高于所用基座，案例对比中还引入了 Qwen3.6-27B 作为参照。

文章给出的四个案例都来自公开评测基准，分别对应相机转向判断、动作轨迹选择、跨视角空间映射和任务进度识别：判断瓶子上移是物体移动还是相机下转，从四条候选轨迹中选出能真正接触充电器的一条，根据地库照片还原拍摄者对挂画的方位，以及分辨机械臂“正在靠近寿司卷”与“已经到位”。这些正是把语言指令翻译成物理动作时的核心能力，也是误判成本最高的环节。

「驭物™ Lion-ER-35B-A3B」目前以 BF16 Safetensors 格式开源，原生兼容 Transformers、vLLM、SGLang 等主流推理框架，开发者可以在空间关系理解、场景状态分析、任务进度判断、空间约束理解等方向做评测与适配。团队表示后续将面向具身 Agent 拓展工具调用、多轮交互与执行反馈方面的训练数据，探索长程任务中的连续决策与失败恢复，继续迭代这套数据引擎。