招商局狮子山开源具身推理模型 Lion-ER-35B

时间：2026年11月4日，招商局先进技术研究院下属狮子山人工智能实验室发布具身推理视觉语言模型「驭物™ Lion-ER-35B-A3B」，权重已在Hugging Face开源。 地点：中国 人物：招商局先进技术研究院狮子山人工智能实验室团队 事件详情：招商局狮子山人工智能实验室正式发布具身推理视觉语言模型「驭物™ Lion-ER-35B-A3B」。该模型采用MoE混合专家架构，总参数约35B，每个Token仅激活约3B参数。在不显著增加推理开销的前提下，模型在十项主流具身相关基准上实现全部指标正向提升，等权综合均分达到65.29。其中Where2Place空间放置评测64.28分，较基座提升9.30分；ERQA具身推理基准64.38分，提升6.19分；空间推理基准SAT达89.33；ERQA轨迹理解子类68.18分，提升12.12分。模型权重以BF16 Safetensors格式在Hugging Face开源，采用Apache 2.0许可证，原生兼容Transformers、vLLM、SGLang等主流推理框架。 背景：过去几年，Open X-Embodiment、DROID等工作不断拓展真实世界机器人数据的边界，但更多数据并不等于更多能力。已有研究表明，在既有机器人数据集内，仅调整不同数据域的训练权重，就能明显影响下游任务表现。狮子山实验室没有走盲目堆砌数据的传统路线，而是搭建了一套能力牵引的具身数据引擎，将具身推理拆解为实体、空间、时序、物理、可供性、任务、社会、证据等8个一级领域、39项二级能力，围绕模型需要掌握的能力做正向设计，再依靠评测发现短板，闭环迭代优化数据。 影响：这套方法论的产出是「驭物™ Lion-ER-35B-A3B」仅以约3B的推理激活参数，就在十项公开基准上全部上涨，多项核心能力超越更大参数量的基座模型。监督训练集包含312,380条样本，团队设计了数据提纯、几何构题、定向合成三条互补路线构题，并引入Human in the loop人工复核。Eval-Driven Data Harness机制让评测不再是训练结束后的成绩单，而是下一轮数据生产的起点：发现错题后，从覆盖31个数据源、约430万条记录的素材池中检索新素材，经构题核验后加入训练。对机器人产业而言，这套省算力的技术路线为具身大脑提供了可复用的方法论，有助于机器人真正理解三维物理世界。 总结：招商局狮子山实验室开源的「驭物™ Lion-ER-35B-A3B」证明，在具身智能领域，参数效率和数据质量比盲目堆参数更关键。以35B总参、3B激活的规模跑出十项基准全线涨分，既展示了MoE架构在机器人场景的落地可能，也提供了一套从能力蓝图到数据闭环的工程范式。后续团队将面向具身Agent拓展工具调用、多轮交互与执行反馈，探索长程任务中的连续决策与失败恢复。 参考来源： 量子位报道 https://www.qbitai.com/2026/11/507586.html PromptTree报道 https://www.prompttree.cn/article/6aebb9cf264910c43c3e0b87 Hugging Face模型页 https://huggingface.co/cmriat/lion-ER-35B-A3B 网易号转载 https://www.163.com/dy/article/LATD0LFI0511DSSR.html AI热报聚合 https://airebao.com/item/53314