大曉機器人近日正式開源其新一代統一具身基模型 ACE-Brain-0.5，將機器人基礎模型從“理解世界”推進至“理解、規劃、行動、評估、進化”一體化的閉環認知階段。該模型面向 Physical Agentic AI 範式，旨在讓機器人在真實物理世界中圍繞目標自主感知、規劃、執行並持續進化。
ACE-Brain-0.5 在單一 8B 參數主幹下，統一整合了空間感知、決策規劃、具身交互與自我評估四大核心能力。通過其創新的 SSR+ 訓練策略，模型協調了 Grounding、導航、操作和進度評估等異質輸出接口，避免了多任務訓練中常見的接口衝突與能力干擾。這一設計使多種機器人專家能力在同一基礎模型中穩定共存，而非依賴多個專用模塊的拼接。
在多項國際權威具身智能評測中，ACE-Brain-0.5 以統一基模型的身份，系統性超越了 OpenAI GPT-5.4、谷歌 Gemini-2.5-Pro、Anthropic Claude-Sonnet-4.6、英偉達 GR00T N1.6 以及 Physical Intelligence π₀ 等全球主流開源與閉源模型。具體來看，在空間認知與具身推理任務中，其在 MindCube 基準上達到 86.3%，較前代提升 4.2 個百分點；在 SQA3D 三維場景問答上達到 62.6%，提升 7.8 個百分點。在具身導航維度，其於 VLN-CE 的 R2R Val-Unseen 上取得 57.4% 成功率，顯著優於 NaVid 等開源基線。在機器人操作方面，其在 LIBERO 基準上平均成功率達 98.2%，並在 SimplerEnv-Bridge 上以 82.3% 刷新該基準最高水平。在進度評估任務中，其自我監控能力同樣領先於 Robometer 等專用獎勵模型。
ACE-Brain-0.5 的架構創新在於引入了“雙時間尺度”設計：一個“慢腦”負責高層空間感知、任務分解與多模態推理，另一個“快腦”則處理實時視覺反饋與低延遲動作執行。這種協同機制使模型既能進行深度語義理解，又能滿足機器人控制的實時性要求。
當前具身 AI 正從模塊化拼接走向原生自主智能。傳統 VLA 模型擅長動作生成，但常受限於空間推理與長程規劃；多模型編排系統則面臨接口割裂與誤差累積。ACE-Brain-0.5 的發佈，為 Physical Agentic AI 提供了一套可落地的統一建模路徑，其全鏈路領先的評測結果驗證了統一認知架構在真實世界任務中的潛力。該模型現已正式開源，有望為自動駕駛、工業機器人與家庭服務等場景的規模化應用提供重要基礎。