标题ABot-ER: Unified Embodied Reasoning through Agentic Data-Model Co-Evolution来源arXiv, 2610.18355v2️文章简介研究问题如何让一个统一的具身推理模型既能像专家一样精通感知、规划和执行又能保持广泛的通用性解决传统模型在能力广度与深度之间难以兼顾的矛盾主要贡献论文提出了ABot-ER模型通过“代理数据-模型协同进化引擎”和“任务条件自适应训练策略”在单一参数框架下实现了感知、规划和执行能力的全面领先证明了具身推理中广度与深度可以共存。重点思路构建统一的具身推理基础模型将具身智能拆解为空间关系、场景状态、时序事件感知、长程动作组织规划和点位接地执行五个核心维度在一个共享骨干网络中统一处理。引入代理数据-模型协同进化引擎建立闭环反馈机制根据模型在评估中的表现诊断能力短板自动调整训练数据的构成、修正数据协议并重新分配数据混合比例确保持续适应模型 evolving 的需求。采用任务条件自适应训练策略利用任务令牌激活轻量级的低秩残差模块使不同输出格式如语义描述、动作序列、坐标点拥有独立的适配路径减少异构任务对共享参数的干扰。分析总结全能型性能突破在涵盖三个核心能力和五个维度的十二个基准测试中ABot-ER在感知、规划和执行的平均得分上均超越了现有的最强基线模型是唯一在所有轴线上都超过最佳基线值的模型。数据进化的有效性实验表明经过协同进化引擎生成的训练语料具有高度复用性仅需单次后训练即可达到多轮迭代的效果且该策略可无缝迁移至2B到27B不同规模的模型 backbone。消除模态纠缠通过任务条件训练策略有效缓解了因输出格式差异导致的优化冲突特别是在统一坐标协议后模型在点位接地任务上的稳定性显著提升方差大幅降低。个人观点论文从“数据质量”和“训练机制”两个底层逻辑入手不仅教学生知识统一模型还通过考试反馈不断调整教材数据进化引擎并针对不同题型提供专门的解题技巧任务条件训练。