上海AI实验室发布InternVL-A1：让机器人拥有关键空间智能

上海人工智能实验室 Intern Robotics 团队最新宣布，其开发的统一视觉-语言-动作框架 InternVLA-M1 取得重要突破。这项发布在 arXiv 平台的研究（编号：2510.13778v1）通过创新的空间引导训练策略，成功解决了机器人理解复杂指令并精准执行动作的难题。实验数据显示，该系统在多个基准测试中超越了现有方法，尤其在真实世界杂乱环境中的表现提升了超过 20%，为通用机器人研发开辟了新路径。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

传统机器人在执行"将桌上红色苹果放入篮子"这类任务时，往往需要同时应对理解人类语言的模糊性，以及如何在三维空间中精准定位物件。研究团队提出的解决方案借鉴了人类的认知模式，构建了包含 41 亿参数的双系统架构。该系统由视觉语言模型规划器和动作专家组成，前者负责分析任务要求、识别物体位置并制定行动计划，后者则将高层规划转化为精准的机械臂控制信号。这种分工模式使得系统在单张 RTX 4090 显卡上即可实现每秒 10 帧的推理速度，内存占用控制在 12GB 以内。

训练策略的创新是这项研究的核心突破。团队采用分阶段训练法：首先通过 230 万个空间推理样本构建基础能力，涵盖物体检测、点定位、轨迹预测等核心任务；随后在仿真环境中生成 24.4 万个可泛化场景，训练系统将空间理解转化为具体动作。这种"先理解空间再执行动作"的策略，使系统在 SimplerEnv 测试中成功率提升 14.6%，在真实世界杂乱场景中的表现提高达 20.6%。特别是在长时程任务中，系统展现出强大的规划能力，能动态调整策略应对物理干扰和任务变更。

为支撑大规模训练需求，研究团队构建了高度逼真的仿真平台。该平台整合了 14716 个物体模型、200 余张桌子、80 种光照条件和 1676 种纹理，通过分离物理计算与渲染过程，实现高效数据生成。每个训练样本都经过双重验证：物理引擎确保动作可行性，场景图验证器检查任务完成度。这种严格的质量控制机制，使系统在未见过物体和新配置场景中仍能保持稳定性能，显著提升了仿真到现实的迁移能力。

在评估环节，InternVLA-M1 展现出全方位优势。在 LIBERO 基准测试中，系统在空间推理和长时程任务子集上分别达到 98.2% 和 97.5% 的成功率，超越最强基线方法 1.6 个百分点。真实世界测试中，配备 Robotiq 夹爪的 Franka 机械臂在 23 个已见物体和 5 个已见容器的分类任务中，通过协同训练将未见过物体操作成功率提升至 20.6%。在抽屉操作任务中，系统能实时感知人为干预并调整动作序列，展现出强大的环境适应能力。

技术细节方面，研究团队设计了轻量级查询变换器连接双系统，通过梯度衰减因子平衡多模态知识学习。空间提示策略的引入，使系统在执行任务时自动激活预训练的空间感知能力。双重监督机制则确保视觉语言模型规划器与动作专家协同优化，在保持语义推理能力的同时实现高效端到端训练。这些创新使系统在处理绝对/相对位置指令时表现出色，有效解决了数据驱动模型泛化不足的问题。

这项研究的公开资源为后续研究奠定基础。团队不仅发布了完整代码和模型参数，还开源了包含 300 万个多模态样本的训练数据集。详细的评估基准覆盖从简单抓取到复杂推理的 200 余个任务，为机器人学习领域提供了标准化测试平台。随着技术持续完善，这种空间引导训练范式有望推动通用机器人进入更多实际应用场景，实现更自然的人机协作。