ABot-ER: Unified Embodied Reasoning through Agentic Data-Model Co-Evolution

📄 arXiv: 2610.18355v1 📥 PDF

作者: Qiuyu Ding, Heng-Da Xu, Changda Xia, Jiajun Shen, Zihao Guan, Zhengchen Yuan, Jianfang Zhang, Di Yang, Jiayi Tian, Yuting Xu, Fei Wang, Shiao Liu, Wei Zhang, Xiaolong Wu, Wenbin Tang, Zedong Chu, Mu Xu

分类: cs.AI

发布日期: 2026-10-13

💡 一句话要点

提出ABot-ER以解决统一体智能推理的广度与深度问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 体智能推理 统一模型 自适应训练 数据模型演化 长时间行动规划 空间推理 多任务学习

📋 核心要点

  1. 现有的体智能推理方法在广度与深度之间存在矛盾，难以同时兼顾感知、规划和执行的专业化与通用性。
  2. ABot-ER通过统一模型实现感知、规划和执行的专业级深度，采用自适应训练策略和数据模型自我演化引擎来提升能力。
  3. 在十二个基准测试中，ABot-ER在感知、规划和执行方面均取得了最先进的整体性能，展示了其在体智能推理中的有效性。

📝 摘要（中文）

我们介绍了ABot Embodied Reasoning（ABot-ER），这是一个统一的体智能推理基础模型，旨在解决体智能推理中广度与深度之间的矛盾。体智能要求在感知、规划和执行方面的共同掌握，但在这一范围内调和通用性与专业化仍然是一个开放的挑战。ABot-ER在单一统一模型中实现了所有三项能力的专业级深度，涵盖了感知中的空间、场景和时间推理；规划中的长时间行动组织；以及执行中的点定位和可用性。该模型的Agentic Data-Model Self-Evolution Engine不断根据模型的能力状态调整数据策略，而Task-Conditioned Adaptive Training Strategy则利用任务令牌在共享骨干网络上激活轻量级低秩残差，分离异构输出格式的更新，同时保留共享的体智能知识。在对涵盖三项核心能力和五个能力维度的十二个基准的系统评估中，ABot-ER在统一参数框架内实现了感知、规划和执行的最先进整体性能，证明了广度与深度可以在统一的体智能推理中共存。

🔬 方法详解

问题定义：论文旨在解决体智能推理中广度与深度的矛盾，现有方法难以在感知、规划和执行之间实现专业化与通用性的平衡。

核心思路：ABot-ER通过一个统一的模型架构，整合感知、规划和执行的能力，利用自适应训练策略和数据模型自我演化机制，使模型能够根据任务需求动态调整。

技术框架：ABot-ER的整体架构包括三个主要模块：感知模块负责空间、场景和时间推理；规划模块进行长时间行动组织；执行模块实现点定位和可用性。数据模型自我演化引擎和任务条件自适应训练策略是其核心组成部分。

关键创新：ABot-ER的最大创新在于其统一模型能够同时实现感知、规划和执行的深度专业化，突破了传统方法在这三者之间的局限性。

关键设计：模型采用轻量级低秩残差结构，任务令牌激活机制使得在共享骨干网络上进行异构输出格式的更新，同时保留共享的体智能知识，提升了模型的灵活性与适应性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在对十二个基准的系统评估中，ABot-ER在感知、规划和执行方面均实现了最先进的整体性能，相较于现有方法，整体性能提升显著，展示了其在统一体智能推理中的有效性与优势。

🎯 应用场景

ABot-ER的研究成果在机器人、自动驾驶、智能家居等领域具有广泛的应用潜力。通过提升体智能推理能力，该模型能够更好地理解复杂环境、规划长远行动并执行任务，推动智能系统的实际应用与发展。

📄 摘要（原文）

We introduce \textbf{ABot Embodied Reasoning (ABot-ER)}, a unified embodied reasoning foundation model that breaks the tension between breadth and depth in embodied reasoning. Embodied intelligence demands the joint mastery of perception, planning, and execution, yet reconciling generality with specialization across this spectrum remains an open challenge. Within a single unified model, ABot-ER commands specialist-level depth across all three competencies, spanning spatial, scene, and temporal reasoning in perception; long-horizon action organization in planning; and point grounding and affordance in execution. The \textbf{Agentic Data-Model Self-Evolution Engine} continuously adapts data strategies to the model's evolving capability state. The \textbf{Task-Conditioned Adaptive Training Strategy} uses task tokens to activate lightweight low-rank residuals over a shared backbone, separating updates from heterogeneous output formats while retaining shared embodied knowledge. Across a systematic evaluation on twelve benchmarks covering three core competencies and five capability dimensions, ABot-ER achieves \textbf{state-of-the-art overall performance} across perception, planning, and execution within a unified parametric framework, demonstrating that breadth and depth can coexist in unified embodied reasoning.