← 返回 PaperDaily
视觉与图像
人民大学+智谱AI新作：训练用思维链，推理直接跳过
这篇论文最有意思的地方，不是把机器人做得更“会说”，而是把“会想”和“会动”拆开了。训练时让模型认真做具身思维链，推理时又把这层思考直接跳过，工程味很足，值得细看。
龙哥读论文
发布于 2026-08-14 09:10:58
阅读 3
查看原文
🐉 龙哥读论文知识星球来了！ 公众号每日8篇拆解不够看？星球 无上限更机器人、具身智能、大模型、资讯、招聘、招博、开源代码， 一站式干货，每日2分钟刷完即赚！ 👇扫码加入「龙哥读论文」知识星球，前沿干货、实用资源一站式拿捏～
龙哥推荐理由：
原论文信息如下：
机器人界的“双系统”思维：新模型如何实现跨本体迁移？ 机器人最难的地方，从来不是“看见一个杯子”，而是“换一台机器人还能不能把杯子拿稳”。同样是抓取、放置、整理桌面，单臂、双臂、人形机器人看起来都在干活，底层却像不同门派：关节数不同、控制接口不同、动作空间也不一样。于是很多跨本体模型看着很热闹，真到换平台时就容易露馅。
这篇论文的切入点很直接：低层动作空间可以不同，但高层“怎么想”其实很像 Embodied Chain-of-Thought，ECoT（具身思维链）
这就有点像人类做题：草稿纸上先写推理过程，交卷时不一定把草稿一并交上去。论文的妙处就在于，它不是让机器人“边说边做”地慢吞吞执行，而是训练阶段把语言推理压榨到位，部署阶段直接拿推理后的表示去驱动动作。说人话就是：训练时认真思考，推理时少废话
揭秘ZR-0：用密集的“思维链”训练机器人 ZR-0 是一个 26 亿参数的端到端视觉-语言-动作模型，核心思路不复杂，但执行得很“工程”：上半身是一个预训练视觉语言模型（论文里把它当作 System 2），下半身是一个基于 Diffusion Transformer，DiT（扩散变换器）
这里的关键，不是简单把语言模型和动作模型拼起来，而是用密集的 ECoT 监督去“校准”视觉语言表示。论文把每一帧都尽量配上结构化推理内容，覆盖场景描述、任务进度判断、未来计划、子任务拆解、目标物体定位，以及离散动作 token。换句话说，模型不是只看“现在该怎么动”，而是被迫先回答“现在场景里有什么、任务做到哪了、接下来准备干什么”。这种监督密度很高，像给模型做了一次长期、连续、带讲义的实习培训。
论文主体思路
*表格超出部分左右可以滑动
项目
内容
应用场景 跨单臂、双臂、人形机器人本体的通用操作策略学习 问题建模 将视觉、语言、机器人状态映射到连续动作块，同时用具身思维链对齐不同本体的高层认知 模型Backbone及选择原因 视觉语言模型初始化自 Qwen3-VL-2B-Instruct，擅长多模态理解；动作专家采用 DiT 结构，适合连续动作生成 损失函数 具身思维链的 next-token prediction 与连续动作的 flow matching 联合优化 训练数据集 ProcCorpus-60M，约 6000 万帧、400K+ 轨迹，ECoT 覆盖率 96.8% 测试数据集 LIBERO、RoboTwin 2.0、RoboCasa GR-1 Tabletop、真实 xArm 平台 训练方法 预训练阶段混合机器人轨迹与通用视觉语言数据；后训练阶段在各基准上再微调 实验效果 整体表现强，尤其在长时序任务和双臂鲁棒性上较突出；部分关闭类任务仍有明显短板 方法优势 训练时用密集推理增强表示对齐，推理时无需生成 ECoT，降低延迟 方法缺点 高度依赖高质量密集标注与大规模数据，且对低频动作类型的覆盖仍不均衡
先看训练数据。论文使用的是 ProcCorpus-60M
ECoT 的六个组成部分也很有针对性。场景描述负责让模型“看懂桌面上有什么”；进度判断负责让模型知道“任务做到哪一步了”；未来计划负责长程规划；to-do actions 负责把大目标拆成可执行的原子步骤；目标物体框负责空间定位；离散动作 token 则把高层推理和低层控制之间搭起桥。这里最值得记住的是 to-do actions
动作专家这边则走的是连续控制路线。它不是逐 token 生成动作，而是一次预测一个动作块，再通过 flow matching 学习把噪声逐步变成真实动作。这样做的好处很实际：连续动作更适合高频控制，也避免了离散化带来的精度损失。模型内部还用了交叉注意力，把视觉语言模型的特征喂给动作专家，但有一个很关键的限制：动作专家只能看输入提示对应的特征，不能直接依赖 ECoT 文本 token
ZR-0 的核心设计可以概括成一句话：让语言模型先把“怎么理解任务”学扎实，再让动作专家把“怎么动”学精
动作部分的损失更像经典的去噪学习。先给真实动作块加噪声，再让模型预测噪声对应的向量场，最后通过迭代去噪把动作还原出来。这个设计的好处是连续、平滑，而且很适合机器人这种对动作精度敏感的场景。
两部分合在一起，就是总损失。一个负责理解，一个负责执行。论文没有把这俩硬揉成一锅粥，而是保留了各自的职责边界，这一点很工程化。
推理阶段更干脆。模型先从高斯噪声初始化一个动作块，再迭代去噪，直到得到最终动作。重点在于：ECoT 只在训练时出现，推理时完全跳过
实验结果惊艳：一个模型搞定单臂、双臂和人形机器人 实验覆盖了三个模拟基准和一个真实平台，算是把“跨本体迁移”这件事从单臂、双臂一路测到人形机器人，再落到真实 xArm 上。这个覆盖面很重要，因为很多方法在单一平台上看起来像天才，一换机器人就像临时工。ZR-0 至少从实验设计上，尽量避免只在舒适区里表演。
实验结果分析
先说结论：这组实验不是全线碾压，但覆盖面很扎实
更关键的是，实验现象和方法设计基本一致。ECoT 的作用不是单纯“让模型多写几句”，而是通过密集监督把高层语义对齐做扎实，所以它在需要任务分解、长程规划、跨视角理解的任务上更占便宜。相反，在某些低频动作、特别是关闭柜门、关抽屉、关微波炉这类动作上，效果就没那么漂亮。这恰好说明模型不是玄学，数据里缺什么，模型就会在哪些地方露怯。
LIBERO 这边最能拉开差距的是长时序任务。因为前面几个子任务都比较容易被近期方法做满分，真正能分出高下的是 LIBERO-10。ZR-0 在这个子集上表现更强，说明密集推理监督对“多步串联”的帮助是真实存在的，不是只在单步抓取里刷存在感。
RoboCasa GR-1 Tabletop 更有意思，因为它把人形机器人搬进了桌面操作场景。ZR-0 的平均成功率达到 69.3%，比次优方法高出一截，但并不是所有任务都赢。它在取放、搬运这类高频原始动作上很强，可在关闭类任务上明显掉队。这个结果其实很诚实：数据分布决定了上限，方法再花哨也不能凭空变出没见过的动作经验
RoboTwin 2.0 是对鲁棒性更苛刻的测试。这里不仅有 clean 场景，还有 domain randomization，连光照、背景、桌面高度、语言指令都给你加点随机扰动。ZR-0 在 clean 和 randomized 的差距很小，说明通用视觉语言数据的混合训练确实起作用了。换句话说，它不是只会在“背景干净、光线标准、物体摆正”的理想实验室里表演。
真实 xArm 平台的结果更能说明问题。真实世界里没有仿真那么客气，物体摆放、光照变化、干扰物、指令改写，全都可能让模型翻车。ZR-0 在四个任务上都能给出不错的进度分数，说明它不只是“会算”，也确实有一定落地潜力。
消融实验也很有价值。论文对比了不同微调策略，能看出 ECoT 监督并不是可有可无的装饰，而是实打实地提升了性能。这个结论和前面的主实验是互相呼应的：不是“多写点字就更聪明”，而是“把任务理解拆得更细，模型更容易学到跨本体共享的表示”。
去芜存菁：训练时用思维链，推理时直接跳过 这篇论文最值得记住的工程技巧，其实不是“思维链”本身，而是把思维链只留在训练阶段
这类设计对机器人尤其友好。机器人控制本来就强调实时性，哪怕多几十毫秒，落地体验都可能从“能用”变成“卡顿”。所以论文把 ECoT 当成训练监督，而不是部署负担，这个取舍很聪明，也很务实。
未来展望：规模更大、数据更多、能力更强 这篇工作已经把跨本体迁移的方向说得很清楚了：不是先纠结机器人长得像不像，而是先让它们共享一套高层认知表示。接下来真正值得期待的，不是再把模型名字起得更像密码，而是继续补三件事：更丰富的动作类型、更均衡的任务分布、更高质量的密集标注
如果未来能把关闭、旋拧、插拔、整理这类低频但真实重要的操作补齐，ZR-0 这类框架的上限还会继续往上抬。另一方面，ECoT 自动标注的质量也很关键。标注越准，模型学到的“思考方式”越像样；标注一旦飘了，模型就会把错误推理也学得头头是道，那就真成了“认真地犯错”。
从行业角度看，这种路线的价值在于：它给出了一个比较现实的通用机器人训练范式，不靠玄学，也不靠把所有本体硬塞成同一种动作格式，而是承认差异、抽象共性、再用密集监督把共性学出来。对做机器人基础模型的人来说，这种思路很值得抄作业；对只想落地的人来说，这种思路也比“纯语言讲故事”靠谱得多。😊
龙迷三问 这篇论文到底解决了什么问题？
ECoT 和普通思维链有什么区别？
为什么推理时可以直接跳过 ECoT？
如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~
龙哥点评 论文创新性分数： ★★★★☆。把密集具身思维链引入跨本体 VLA 训练，这个方向有新意，而且不是只停留在概念层面。
实验合理度： ★★★★☆。单臂、双臂、人形、真实平台都测了，验证链条比较完整；不过部分任务仍受数据分布影响，说明实验结论是“有效”而不是“无敌”。
学术研究价值： ★★★★☆。它给出了一个很清晰的跨本体表示对齐思路，对具身智能基础模型研究有启发。
稳定性： ★★★☆☆。真实场景能跑，但低频动作和复杂闭合操作仍有短板，离大规模稳健落地还有距离。
适应性以及泛化能力： ★★★★☆。对视觉扰动和不同本体的适应性不错，尤其在随机化场景中表现比较稳。
硬件需求及成本： ★★★☆☆。2.6B 参数、60M 帧级数据、分布式训练，成本不低；好在推理阶段不生成 ECoT，部署负担有所下降。
复现难度： ★★★☆☆。代码开源是加分项，但大规模数据和密集标注不是随手就能复刻的。
产品化成熟度： ★★★☆☆。适合研究验证和部分受控场景试点，离通用机器人产品还差数据覆盖和鲁棒性补课。
可能的问题： 方法很强，但对数据分布依赖仍明显，尤其低频操作覆盖不足；如果未来只堆规模不补动作多样性，效果提升可能会变钝。
主要参考文献
[1] Li H, et al. Training Vision-Language-Action Models with Dense Embodied Chain-of-Thought Supervision. arXiv, 2026. [2] ProcCorpus-60M: ECoT-enhanced robotic dataset, cited in the paper. [3] ZR-0 official code: https://github.com/RUCKBReasoning/ZR-0 机器人VLA想跑得稳，光会“动手”还不够，还得会“动脑”。想继续看这类机器人、大模型、具身智能 论文拆解，欢迎扫码加入龙哥读论文星球和微信群，少走弯路，多看门道。
欢迎加入龙哥读论文粉丝群，
扫描下方二维码或者添加龙哥助手微信号加群 ：kangjinlonghelper。
一定要备注：研究方向+地点+学校/公司+昵称（如 图像处理+上海+清华+龙哥） ，根据格式备注，可更快被通过且邀请进群。
『龙哥读论文』微信群目前包含：图像处理、大模型及智能体、自动驾驶及机器人、AI医疗及AI金融5个群
