大晓机器人近日正式开源其新一代统一具身基模型 ACE-Brain-0.5，将机器人基础模型从“理解世界”推进至“理解、规划、行动、评估、进化”一体化的闭环认知阶段。该模型面向 Physical Agentic AI 范式，旨在让机器人在真实物理世界中围绕目标自主感知、规划、执行并持续进化。
ACE-Brain-0.5 在单一 8B 参数主干下，统一整合了空间感知、决策规划、具身交互与自我评估四大核心能力。通过其创新的 SSR+ 训练策略，模型协调了 Grounding、导航、操作和进度评估等异质输出接口，避免了多任务训练中常见的接口冲突与能力干扰。这一设计使多种机器人专家能力在同一基础模型中稳定共存，而非依赖多个专用模块的拼接。
在多项国际权威具身智能评测中，ACE-Brain-0.5 以统一基模型的身份，系统性超越了 OpenAI GPT-5.4、谷歌 Gemini-2.5-Pro、Anthropic Claude-Sonnet-4.6、英伟达 GR00T N1.6 以及 Physical Intelligence π₀ 等全球主流开源与闭源模型。具体来看，在空间认知与具身推理任务中，其在 MindCube 基准上达到 86.3%，较前代提升 4.2 个百分点；在 SQA3D 三维场景问答上达到 62.6%，提升 7.8 个百分点。在具身导航维度，其于 VLN-CE 的 R2R Val-Unseen 上取得 57.4% 成功率，显著优于 NaVid 等开源基线。在机器人操作方面，其在 LIBERO 基准上平均成功率达 98.2%，并在 SimplerEnv-Bridge 上以 82.3% 刷新该基准最高水平。在进度评估任务中，其自我监控能力同样领先于 Robometer 等专用奖励模型。
ACE-Brain-0.5 的架构创新在于引入了“双时间尺度”设计：一个“慢脑”负责高层空间感知、任务分解与多模态推理，另一个“快脑”则处理实时视觉反馈与低延迟动作执行。这种协同机制使模型既能进行深度语义理解，又能满足机器人控制的实时性要求。
当前具身 AI 正从模块化拼接走向原生自主智能。传统 VLA 模型擅长动作生成，但常受限于空间推理与长程规划；多模型编排系统则面临接口割裂与误差累积。ACE-Brain-0.5 的发布，为 Physical Agentic AI 提供了一套可落地的统一建模路径，其全链路领先的评测结果验证了统一认知架构在真实世界任务中的潜力。该模型现已正式开源，有望为自动驾驶、工业机器人与家庭服务等场景的规模化应用提供重要基础。