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了一种人视名为 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的空间理解觉大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 图像中提飞跃取出三维结构信息，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输！新入的需要，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，Ev助力o-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 A下文和空间关系等几何信息。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 进行有效结合I ，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。

在真实世界“看的实验中，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，均超过了基线模懂”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展现出显著优势。

综上所 三述，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。该研究成果不仅在学术界引发了维世广泛关注，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.org/pdf/2界，507.00416

• ·智能机器人：衡量高端制造水平的重要标志
• ·25分钟训练机器人学会6个动作，伯克利开发高效机器人操纵框架
• ·标签: 壹达外卖 眼护士 掌上药店 药安食美
• ·标签: 华沿机器人 大族机器人 协作机器人 大族激光
• ·模糊的指标掩盖了云计算企业价值 投资人更关注股票而非业绩
• ·微软计划在智利建立一个新的数据中心区域
• ·Hive 和 Spark的爱恨情仇恩怨交织
• ·标签: TikTok 皮尤研究中心 新闻网红 Z世代
• ·云计算开发：Python3-splitlines()方法详解
• ·让我们一下玩转 Docker 部署
• ·亚马逊Q2获得净销售额1131亿美元 AWS净销售额为148.09亿美元
• ·​Realbotix 与 Grupo Kuo 达成合作 将 AI 机器人引入西班牙和葡萄牙
• ·标签: 威马汽车 新威马 EX5 E.5
• ·OpenAI与英伟达联手巨资投资英国数据中心
• ·标签: 芯德半导体 联发科技 小米长江 长电科技
• ·标签: 新石器 RoboVan CES 2026 X1 CES2026