具身推理

Embodied ReasoningER常用

让模型懂物理世界：知道东西在哪、怎么抓、接下来该做什么。

具身推理指模型对物理世界做空间、时间和因果层面的理解与推断，并服务于机器人行动，比如在图上指出可抓的位置、预测物体的 3D 框和运动轨迹、判断任务是否完成、把长指令拆成步骤。谷歌 DeepMind 2025 年 3 月发布 Gemini Robotics 时把这部分单独做成 Gemini Robotics-ER 模型，能力包括目标检测、指向、轨迹预测、抓取预测、多视角对应和 3D 框预测，同时开源了 400 道题的 ERQA 评测集；截至 2026 年该系列已更新到 Gemini Robotics-ER 2，可通过 Gemini API 调用。它常充当快慢双系统里的慢系统，先想清楚，再把动作交给 VLA 或底层控制器执行。