Robix：机器人交互、推理和规划的统一模型

我们推出 Robix，这是一个统一的模型，将机器人推理、任务规划和自然语言交互整合到单一的视觉-语言架构中。Robix 作为分层机器人系统中的高级认知层，动态地为底层控制器生成原子命令，并为人类交互生成语言响应，使机器人能够在端到端框架内遵循复杂指令、规划长远任务以及与人类自然交互。Robix 进一步引入了主动对话、实时中断处理以及任务执行过程中的上下文感知常识推理等新功能。核心上，Robix 利用链式思维推理，并采用三阶段训练策略：(1) 持续预训练以增强基础的具身推理能力，包括 3D 空间理解、视觉基础和以任务为中心的推理；(2) 监督微调，将人机交互和任务规划建模为统一的推理-动作序列；以及 (3) 强化学习，以提高推理-动作一致性和长远任务连贯性。大量实验表明，Robix 在交互式任务执行方面优于开源和商业基线（例如 GPT-4o 和 Gemini 2.5 Pro），在各种指令类型（例如开放式、多阶段、受限、无效和中断）以及各种用户参与的任务（例如餐桌整理、杂货购物和饮食过滤）方面展现出强大的泛化能力。