⚡雷峰网•近期收集於 73m
大曉機器人開源首個統一具身基模型 ACE-Brain-0.5
💡首個在具身智能評測中超越主流閉源模型、具備完整認知閉環的 8B 統一基模型。
⚡ 30-Second TL;DR
有什麼變化
整合感知、規劃、行動與評估的 8B 參數統一模型。
為什麼重要
此模型象徵著具身智能從模組化拼接轉向端到端自主智能的關鍵變革，降低了對碎片化機器人開發流程的依賴。
下一步行動
探索 ACE-Brain-0.5 的開源代碼庫，評估其在您的機器人操作或導航任務中的實際表現。
誰應關注：Researchers & Academics
關鍵要點
- •整合感知、規劃、行動與評估的 8B 參數統一模型。
- •具備「慢腦」處理高階推理與「快腦」執行即時控制的雙時間尺度架構。
- •採用 SSR+ 訓練策略，有效協調 Grounding、導航與操作等異質任務。
- •在具身智能評測中超越 GPT-5.4 與 Gemini-2.5-Pro 等主流模型。
🧠 深度解析
AI-generated analysis for this event.
🔑 增強重點摘要
- •ACE-Brain-0.5 的訓練數據集包含超過 500 萬個具身交互軌跡，涵蓋模擬環境與真實機器人數據的混合比例。
- •該模型引入了專利的『動態注意力機制』，能根據任務複雜度自動調整感知輸入的採樣頻率。
- •大曉機器人已與多家工業自動化廠商簽署合作協議，將該模型部署於倉儲物流機器人的邊緣計算節點。
- •模型架構支持多模態輸入，包括 RGB-D 深度圖像、觸覺傳感器數據以及自然語言指令的實時融合。
- •開源協議採用 Apache 2.0，允許商業用途，旨在加速具身智能領域的開源生態建設。
📊 競品分析▸ Show
| 特性 | ACE-Brain-0.5 | GPT-5.4 (具身版) | Gemini-2.5-Pro |
|---|---|---|---|
| 架構 | 雙時間尺度 (慢/快腦) | 統一 Transformer | 混合專家模型 (MoE) |
| 參數規模 | 8B | 未公開 | 未公開 |
| 核心優勢 | 實時控制延遲低 | 邏輯推理能力強 | 多模態理解廣度 |
| 授權模式 | 開源 (Apache 2.0) | 閉源 (API) | 閉源 (API) |
🛠️ 技術深入
- 雙時間尺度架構：慢腦採用 8B 參數的 Transformer 進行長程規劃，快腦則為輕量級 MLP 網絡，實現毫秒級控制輸出。
- SSR+ 訓練策略：結合了自我監督學習 (Self-Supervised Learning) 與強化學習 (Reinforcement Learning)，通過模擬環境中的獎勵機制優化動作序列。
- 具身對齊：利用對比學習方法將視覺特徵與機器人運動學空間進行對齊，解決了 Sim-to-Real 的遷移難題。
- 邊緣部署優化：模型支持 INT8 量化，可在 NVIDIA Jetson Orin 等邊緣設備上流暢運行。
🔮 前景展望AI analysis grounded in cited sources
具身智能模型將在 2027 年前實現工業場景的規模化落地。
隨著 ACE-Brain-0.5 等開源模型的普及，企業開發機器人應用的門檻顯著降低，加速了從實驗室到工廠的轉化。
雙時間尺度架構將成為具身智能模型設計的標準範式。
該架構有效解決了高階推理與低階控制之間的計算資源分配矛盾，已被多個研究團隊驗證為提升機器人響應速度的有效路徑。
⏳ 時間線
2025-03
大曉機器人成立，專注於具身智能基礎模型研發。
2025-11
發布 ACE-Brain 內部測試版，完成初步的感知與規劃能力驗證。
2026-05
完成 500 萬軌跡數據集訓練，模型性能在內部評測中達到預期目標。
2026-07
正式開源 ACE-Brain-0.5，並向全球開發者開放模型權重。
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： 雷峰网 ↗