一篇于2026年10月15日提交至arXiv的论文提出Anvil框架，关注具身智能中的空间理解问题。论文认为，机器人不仅要识别场景中的物体，还要定位实体、推理实体关系，并把这些知识转化为与行动相关的表达；如果不同阶段使用彼此割裂的几何和语义监督，联合训练可能混淆各阶段需要掌握的能力。论文摘要
Anvil由三个部分组成。Anvil-Gen被描述为异构数据生成机制，通过针对不同输出形式生成监督数据、进行跨阶段一致性验证，并依据失败反馈重新生成数据，覆盖11种“定位—关系—行动”形式。Anvil-Ben则提供与场景对齐的监督和评测，用于区分模型在不同阶段的能力，以及错误在阶段之间传播造成的影响。论文还提出一个9B参数的学生模型Anvil-MOPD，通过从多个专门教师模型进行蒸馏，整合不同形式的空间知识。论文摘要
这项工作的重点不是单独扩大模型规模，而是把数据生成、错误分析、能力评测和知识蒸馏放进一个循环。若相关设计能够在真实机器人任务中稳定工作，具身模型训练可能从“收集更多示范”转向“围绕失败补齐特定能力”。不过，目前可核实信息主要来自论文预印本摘要，尚不能据此确认其在真实机器人、跨环境泛化或长期任务中的效果，也不宜将9B模型规模直接等同于实际部署能力。后续应关注论文完整实验中的任务设置、基线选择、数据来源、仿真与现实环境差异，以及其评测是否真正覆盖从空间理解到动作执行的完整链路。
参考来源：
由 AI 整理，仅供参考；请以原始来源为准。
