中兴 EmbodiedMind 把 GRPO 的优势计算挪到动作前缀:8B 具身模型的三阶段训练与可验证点
据机器之心 2026 年 11 月 6 日以「发布」形式刊出的中兴通讯稿件,论文 EmbodiedMind 提出 RSFT、IR-GRPO、Trie-GRPO 三阶段训练范式,称 8B 模型在 18 项具身基准平均 70.02%、长程规划准确率相对现有最优方法提升 30.31%,并称 Nebula-EmbodiedBrain-180B 在 SuperCLUE 9 月具身大脑榜并列国内第一;原文未提权重、代码或 API 开放。
发生了什么
机器之心 2026 年 11 月 6 日以「发布」形式刊出一篇中兴通讯具身模型稿件。据该文,中兴团队论文《EmbodiedMind: Adaptive Data Curation and Prefix-Tree Reinforcement Learning for Efficient Embodied Intelligence》提出一套三阶段训练范式:先用 RSFT 按高温度系数多次推理的结果把样本分层,全部正确的记为简单样本、部分正确的记为不确定样本、全部失败的记为困难样本,训练集只保留不确定样本与一定比例的简单样本;再用 IR-GRPO 为每个任务类型维护独立先进先出队列,以指数移动平均平滑各任务的有效样本比例,动态调整下一轮采样配额;最后用 Trie-GRPO 把所有采样轨迹并行插入一棵动作前缀树,共享同一历史前缀的轨迹在分叉点形成兄弟子组,相对优势只在兄弟节点之间计算,并以折扣回报沿树路径回传、过滤近零优势样本以控制探索成本。原文称,EmbodiedMind-8B 仅用 52.2 万条训练样本,在覆盖通用多模态理解、2D 空间推理、3D 空间度量与任务规划的 18 项基准上平均得 70.02%,长程规划准确率较现有最优方法提升 30.31%,论文已投稿 ICRA 2027。文中还给出若干具体对照:在最长 25 步的 VLM-PlanSim-99 上得 66.67,超过 Cosmos3-Nano;ALFWorld-thor 成功率 60.45%,对照 SEEA-R1 的 46.27%;在基于 AgiBot A2 构建的 50 个桌面场景与 160 条任务执行监控视频上,桌面整理规划达 62.00%(对照 Qwen3-VL-8B 的 40.00%),任务执行监控准确率 55.31%(对照 46.88%)。同文另称,Nebula-EmbodiedBrain-180B 在 SuperCLUE 2026 年 9 月 EmbodiedCLUE-VLA 具身大脑榜以 77.48 分与 Qwen3.8-Max-0902 并列国内第一,具身安全单项 97.92 分。
对开发者的影响
要先把「能接入什么」和「能借鉴什么」分开。原文没有提到 EmbodiedMind-8B 或 Nebula-EmbodiedBrain-180B 的权重公开、代码仓库或托管接口,所以这两个名字目前不对应任何可以直接调用或本地部署的对象;本文可分析的是训练方法与评测口径。如果你在做具身或 VLA 模型的强化学习后训练,「组」定义在整条轨迹层面还是动作前缀层面,会直接改变失败轨迹的梯度构成:按原文的解释,轨迹级优势会把一条失败轨迹中正确的中间动作一并惩罚,而前缀树把比较限定在兄弟节点之间,并过滤近零优势样本以换取可承受的探索成本。这一改动不依赖特定基座,原则上可以搬进自己的 GRPO 类实现,代价是对环境分叉采样能力提出要求。对偏评测的开发者,另一条可用线索是第三方榜单:SuperCLUE 9 月口径把 180B 级模型与 2.4T 参数模型放在同一档,同时原文明确国际参考模型不参与国内排名,但其列出的参考分数(GPT-6 Astra 86.75、Gemini-3.8-Flash 82.12)高于 77.48,读榜单时要把排名范围与绝对分数分开看。总体而言,这是一条方法层面的进展,不是一次可直接接入的模型发布。
接入与评估建议
以下为条件性建议,不是报道事实。 建议一,是否把 GRPO 的优势分组从整条轨迹改到动作前缀。原文报告的改动是 Trie-GRPO:标准 GRPO 把轨迹级优势均匀施加到所有 token,一条轨迹最终失败会连坐其中间正确决策;前缀树让共享同一历史前缀的轨迹在分叉点组成兄弟子组,只在兄弟节点间归一化计算相对优势。要做的选择是,多步任务的 RL 后训练按轨迹分组还是按可回放的动作前缀分组。改变这个选择的前提是环境能力与任务长度:仿真器或真实环境能从中间状态重置并以同一前缀分叉、且同一前缀下能采到足够多兄弟样本做归一化时,前缀分组才有意义;任务大多只有一两步、或环境无法从中间分叉时,轨迹级分组更容易落地。可测量的判据是,在同一采样预算下用自己 10 步以上的长程评测集跑两组 RL,比较最终成功率与逐步正确率;原文的 30.31% 是作者的提升口径,不能直接当作你的预期收益。 建议二,训练前是否加一道不确定性筛选。原文报告的是 RSFT:高温度系数多次推理把样本分成全对、部分对、全错三类,训练集只保留部分正确样本与一定比例的简单样本,暂时排除全错样本。要做的选择是,SFT 前是否加这道筛选、以及简单样本保留多少。前提是判分信号足够可靠,分层完全依赖对「对/错」的判定,判分噪声大时分类本身会失真,而且多次高温度推理要先花一笔推理成本。可测量的判据是,记录筛选后的有效样本数与训练轮次,并与全量语料的 SFT 对照各类能力的评测分,同时盯早期是否出现输出多样性骤降这类分布坍塌迹象。 建议三,是否为动态采样加一层任务级配额。原文报告的是 IR-GRPO:每个任务类型维护独立先进先出队列,用指数移动平均平滑各任务的有效样本比例,再动态调整下一轮采样配额。要做的选择是,在 DAPO 式动态采样之上是否再加按任务标签的配额控制。前提是样本带可靠的任务类型标签、且任务难度天然不均衡;任务高度同质时这层控制收益有限。可测量的判据是,逐轮记录各任务类型分数,检查是否出现一类上升另一类下滑的跷跷板,并比较加与不加配额时最差任务类型的分数下限。
限制与待确认事项
这篇稿件由机器之心以「发布」形式刊出,方法与数字来自中兴团队论文及原文陈述,本文没有独立复现,也没有在真实机器人上验证过其中任何一项。论文状态是「已投稿 ICRA 2027」,不是已接收或已经过同行评审,基准分数属于作者自报口径;原文也未说明 30.31% 是相对提升还是绝对百分点差,读这个数字时应保留该不确定性。真机结论建立在 50 个桌面场景与 160 条监控视频构成的 A2-Failure 数据集上,场景规模有限,换环境后的迁移效果未知。SuperCLUE 榜单为 2026 年 9 月口径,早于稿件发布日,且原文明确国际模型仅作参考项、不参与国内排名,榜单分数不能当作跨时间的持续结论。原文未提到权重、代码或 API 开放;截至 2026 年 11 月 12 日核对 KimiSeek 线上目录,EmbodiedMind-8B 与 Nebula-EmbodiedBrain-180B 均未收录,若日后出现托管接口,其可用性以提供方口径为准。