在机器人领域，让人工智能真正 “看懂” 三维世界一直是一个棘手的问题。传统的视觉语言模型（VLA）大多依赖机器于二维图像和文本数据训练，难以理解真实环境中的三维空间。然而，最近来自上海交通大学和剑桥大学的研究团队提出人视了一种名为 Evo-0的新型增强视觉语言动作模型，通过轻量化的方式注入3D 几何先验，使得机器人在复杂任务中觉大的空间理解能力得到了显著提升。

Evo-0模型的创新在于其利用视觉几何基础模型（VGGT），从多视角的 RGB 图飞跃像中提取出三维结构信息，并将这些信息与已有的视觉语言模型相结合。这种方法不仅避免了使用额外传感器或显式深度！新输入的需要，还显著提升了空间感知能力。在 RLBench 仿真实验中，Evo-0在五个需要精细操作的任务上，成模型功率比基线模型 pi0高出15%，并且在开放 VLA(openvla-oft)上提升了31%。

具体而言，E助力vo-0将 VGGT 作为空间编码器，引入了通过 VGGT 提取的 t3^D token，这些 token 包含了深度上下文和空 A间关系等几何信息。通过交叉注意力融合模块，模型能够将提取的二维视觉 token 与三维 token 进行有效结I 合，提升了对空间布局和物体关系的理解能力。这种方法在保证训练效率的同时，灵活性和部署便捷性也得到了提高“看。

在真实世界的实验中，Evo-0在处理复杂空间任务时表现出色，包括目标居中放置、插孔、密集抓取等任务，均懂”超过了基线模型，平均成功率提升了28.88%。特别是在对复杂空间关系的理解和操控能力方面，Evo-0展现出显著优 三势。

综上所述，Evo-0通过巧妙的空间信息融合，为未来的通用机器人策略提供了一条新的可行路径。该研究成果不维世仅在学术界引发了广泛关注，也为机器人领域的实际应用带来了新的可能性。

论文地址：https://arxiv.界，org/pdf/2507.00416

• ·Gartner：到2029年，用于AI工作负载的云计算资源比例将达到50%
• ·标签: 苹果 蒂姆·库克 约翰·特努斯 Apple
• ·美国劳动关系委员会指控亚马逊在疫情期间非法解雇员工
• ·标签: 小鹏机器人 IRON人形机器人 广棠科创城 具身智能
• ·1Password 推出新功能可以修复 AI 浏览器代理的登录安全性
• ·​AI 模型模拟赌博行为，显示出成瘾迹象
• ·标签: 周星驰 Seedance2.0 AI视频 影视飓风
• ·我开空调了是什么梗
• ·标签: 滴滴出行 春节出行 反向过年 滴滴租车
• ·标签: Coupang 酷澎 数据泄露 韩国电商
• ·太天才了，把感知机组装在一起是不是就是神经网络了？
• ·xAI发布Grok4Fast：计算量降低40%，单任务成本竟然降至98%！
• ·谷歌母公司Alphabet将于7月28日发布2021年第二季度财报
• ·阿里开源Vivid-VR：AI视频修复神器，解锁内容创作新可能
• ·标签: AWS AmazonConnect AgenticAI 供应链Agent
• ·科学家「黑进」果蝇大脑跑NLP任务，发现效率比BERT高