在机器人技术领域，复杂操作场景长期面临任务链冗长、环境不确定性高、误差易累积等挑战，传统方案难以同时实现精准“理解”与动态“预判”。近日，一套名为Gravity的具身智能框架正式发布，其以统一架构整合长程任务处理能力，为机器人应对复杂场景提供全新解决方案。
Gravity框架以MoT（Mixture-of-Transformers）为核心架构，通过融合视觉语言模型（VLM）的指令解析与场景理解能力、任务推理能力，以及世界模型的未来状态预测与子目标评估功能，构建起“感知-理解-规划-推演-执行”的完整闭环。该框架创新性地引入触觉/力觉感知、先验知识库、多模态过程监督、任务阶段进度输出及短长期记忆模块，并借助强化学习实现部署后的持续自进化，形成“训练时深度建模、推理时高效执行、部署后动态优化”的技术体系。
针对传统模型“理解”与“生成”能力割裂的问题，Gravity首创“双脑融合”架构。其中，AR Transformer作为认知中枢，负责指令解析、语义识别与任务分解，将复杂任务拆解为可执行的阶段与子任务；Diffusion Transformer则承担动态推演与动作生成，通过预测未来状态分布评估动作影响，提前识别碰撞、滑落等风险。两者在任务语义、环境状态与动作表征层面深度耦合，使机器人从“被动响应”升级为“主动预判”。实验数据显示，该架构在精密装配、柔性制造等场景中，任务成功率显著提升。
在训练阶段，Gravity通过3D空间结构、物理属性、场景图等多维中间表征，从几何、运动、功能等多层面理解环境，提升模型泛化能力；推理阶段则隐式调用这些表征，仅输出动作与任务进度，大幅缩短推理路径。这种“训练重、推理轻”的设计，在Gravity 4D模型中已得到验证，其控制频率与实时性均优于传统方案。
为突破视觉模型的物理交互局限，Gravity将触觉与力觉提升为一等模态，构建视觉-触觉/力觉协同的感知体系。该设计使机器人能够感知质量、刚度等物理属性，实现从“观察世界”到“交互理解世界”的跨越，在复杂抓取、柔性操作等场景中表现尤为突出。
针对长程任务易出现步骤遗漏、阶段切换错误等问题，Gravity引入显式任务阶段（Stage/Progress）输出机制，实时追踪任务进度与异常状态。配合分层记忆系统——短时记忆（秒级）记录近期动作轨迹与接触状态，长期记忆（数分钟级）存储任务目标与历史决策——形成结构化任务上下文。该设计支持局部重试、步骤回退等操作，显著提升长流程作业的稳定性与可解释性。
在知识注入方面，Gravity通过Robot Skill模块封装操作手册、工艺规范等专家知识，将复杂操作转化为标准化能力单元。新场景部署时，模型可结合少量示范数据与既有技能快速适配，实现“少数据、快泛化”。同时，安全规则与约束条件的显式建模，确保操作符合行业标准与安全要求。
部署后的持续进化能力是Gravity的另一大亮点。通过构建“部署-反馈-评估-再训练”闭环，系统可自动记录每次操作的成功/失败数据、人工纠正信息，并从完成度、工艺质量等维度评估表现。强化学习算法将运行经验转化为优化策略，使模型随使用时长增加不断积累跨场景经验，形成技术壁垒。目前，Gravity VLA与Gravity 4D WAM模块已率先落地，完整系统的研发正在推进中。
