跳到主要内容
返回时间线
openbiox Bizard来源发表:

Cortex把长程操作拆成子任务接口:高层规划与底层执行双向对齐,真实化学任务得76.8

核心概要

InternRobotics 发布 Cortex(又称 InternVLA-M1.5),一个面向长程操作的双向对齐具身智能体框架:高层视觉语言模型充当认知调度器,跟踪进度、更新语义记忆并输出可执行子任务,底层视觉-语言-动作模型负责反应式物理执行。框架把操作行为标准化为 32 个技能原语,并发布 4K+ 小时长程子任务数据。在 LIBERO-long、RoboTwin 2.0 与真实世界任务上,Cortex 分别取得 95.5、86.8 和 76.8,同一张对照表中 pi05 在真实世界一项为 22.1。

深度剖析

长程操作被拆成一条共享的子任务接口:高层规划器只负责判断做到哪一步、更新记忆并给出下一个可执行子任务,底层策略只负责把这一步做出来。 此前的做法是把感知到动作压进一个端到端策略,长程任务中的步骤顺序保持、完成确认和相似阶段区分都要由同一个模型承担。 在真实世界化学风格的多阶段任务上,Cortex 取得 76.8,同一张对照表中 pi05 为 22.1;在 LIBERO-long 与 RoboTwin 2.0 上,Cortex 分别为 95.5 和 86.8,pi05 为 92.4 和 82.7。

高层规划器的训练不再只从轨迹里均匀取样本,而是把重点放在阶段切换的区域,也就是规划器必须确认上一步完成并改写记忆的位置。 此前的训练只从轨迹中均匀采样,阶段切换处的判断没有单独强调。 在步级评测中,Cortex 的平均总分为 8.318,对照的 Gemini-3.1-Pro 为 6.925、Qwen3-VL-8B-Instruct 为 6.739、GPT-5 为 6.268;在回合级评测中,Cortex 为 7.810,GPT-5 为 7.231、Gemini-3.1-Pro 为 6.860、Qwen3-VL-8B-Instruct 为 6.292。

操作行为被整理成一套标准化的长程子任务空间,共 32 个规范技能原语,每个子任务还附带空间、数量和物体属性的定位信息。 此前的子任务空间没有统一到固定的技能原语集合,也没有在子任务上附加空间、数量与物体属性的定位。 评测按空间定位、长程逻辑一致性和物体计数三类任务组织,步级与回合级两套分数都在这三类上分别报告。

启示与展望

已展示的范围是 LIBERO-long 与 RoboTwin 2.0 两个长程仿真套件,以及零样本真实世界多阶段化学风格任务;评测按空间定位、长程逻辑一致性和物体计数三类任务组织,并分别给出步级与回合级分数。

真实世界实验被描述为零样本多阶段化学风格任务,未给出该任务的样本规模与重复次数;步级评测使用真值记忆,回合级评测衡量规划器读取自身先前记忆时的语义漂移,两者衡量的能力不同。