招商局狮子山实验室发布驭物™Lion-ER-35B-A3B具身推理模型，仅激活3B参数十项基准全线提升

招商局狮子山实验室近日正式发布具身推理模型「驭物™ Lion-ER-35B-A3B」，标志着国内在面向物理世界的AI推理能力构建上迈出关键一步。该模型总参数量为350亿，但通过混合专家（MoE）架构设计，实际推理时仅激活约30亿参数，在十项主流具身推理基准测试中实现全面领先，其中Where2Place空间放置任务较基线提升+9.30分，ERQA具身推理任务提升+6.19分，十项平均分提升+3.53分。

与当前主流大模型依赖海量数据堆砌不同，驭物模型的核心思路是“让大模型真正读懂空间、状态与任务”，即在有限算力下提升对物理环境的因果理解与决策能力。其技术路径围绕五大能力蓝图展开：实体（Entity）、空间（Spatial）、时间（Temporal）、物理（Physics）与可执行性（Affordance），覆盖机器人操作、环境交互与任务规划等典型具身场景。

模型构建采用“任务驱动”范式，分为四个阶段：首先通过已有QA与逻辑推理数据进行预训练；其次引入真实物理材料的仿真数据，强化对材质、重力、摩擦等物理规律的感知；第三阶段整合结构化条件与关系推理，使模型能处理多对象协同约束；最后通过监督微调与人类反馈优化策略生成能力。整个流程强调“数据质量优先于数量”，避免单纯扩大语料规模带来的边际效益递减。

值得注意的是，驭物模型并未采用端到端的视觉-动作联合建模，而是将感知、推理与控制解耦，允许开发者按需组合模块。例如，在抓取任务中，可接入第三方视觉编码器提取物体位姿，由Lion-ER负责判断“是否可抓”“从哪侧接近最优”，再输出动作指令给底层控制器。这种模块化设计降低了部署门槛，也便于与现有机器人系统集成。

在评估体系方面，实验室提出“能力-数据-评测”三位一体框架：能力形成阶段关注推理链完整性与物理一致性；数据迭代强调真实世界分布匹配度；评测则采用Evolve-Driven Data Harness机制，动态生成更具挑战性的测试样本。例如，Where2Place任务不再仅测试静态摆放，而是引入动态障碍物移动、光照变化与部分遮挡等扰动条件，更贴近现实作业环境。

当前，具身智能正从“感知驱动”向“推理驱动”演进。过去两年，行业焦点集中于视觉-语言-动作联合建模（如Google RT-2、OpenAI Point-E），但这类模型往往依赖大量仿真或真实交互数据，且推理过程缺乏可解释性。驭物模型的差异化在于：它不追求端到端动作生成，而是专注于“理解任务意图→推导物理约束→生成可行方案”这一中间层推理能力，为下游控制器提供高置信度决策依据。

这一路径与百度近期披露的Apollo World形成互补。Apollo World作为面向无人驾驶的具身世界模型，侧重于构建高保真虚拟城市环境，并将所有交通参与者建模为具备自主决策能力的AI智能体，用于大规模虚拟路测与策略验证。其核心目标是“提前验证无限未来”，服务于萝卜快跑的全球化落地。而驭物模型则聚焦单个智能体在复杂物理环境中的任务级推理，适用于服务机器人、工业机械臂等需要精细操作的场景。

业内专家指出，两类模型代表了具身智能发展的两个关键方向：世界模型解决“环境建模与仿真验证”问题，具身推理模型解决“个体决策与任务泛化”问题。二者未来有望融合——例如，将Lion-ER嵌入Apollo World的智能体内部，使其不仅能在虚拟城市中通行，还能完成诸如“避开积水区域搬运货物”“根据天气调整配送路线”等复合任务。

参数效率成为新竞争焦点。随着35B级模型逐步普及，行业开始反思“越大越好”的惯性思维。驭物模型以3B激活参数实现性能跃升，印证了稀疏激活与任务导向训练的有效性。对比Meta的LLaMA-3 405B（全参数推理）与Google的Gemini 2.0（约200B激活），Lion-ER在同等硬件条件下推理延迟更低、能耗更小，更适合边缘部署。

实验室负责人表示，该模型已开放权重与推理代码，支持PyTorch生态，首批合作方包括优必选、云迹科技等服务机器人厂商，以及中科院自动化所、哈工大等科研机构。下一步将推进与ROS 2系统的深度集成，并计划在2027年Q1发布支持多模态输入（含触觉、力反馈）的升级版本。

具身智能的落地仍面临挑战：真实物理世界的长尾场景难以穷尽、传感器噪声导致状态估计偏差、任务目标模糊性引发推理歧义等。驭物模型的发布并非终点，而是提供了一种“轻量化高智商”的新范式——在算力受限前提下，通过结构化推理能力弥补数据缺口，这或许比单纯堆叠参数更具可持续性。

随着更多垂直领域具身模型涌现，行业正从“通用大模型适配机器人”转向“为机器人定制推理引擎”。这一转变意味着，未来机器人的“大脑”将不再是单一黑盒，而是由感知模块、世界模型、推理内核与控制策略共同构成的协同系统。驭物模型的实践，为该路径提供了首个可复现的技术样板。