招商局狮子山实验室发布驭物 Lion-ER-35B-A3B 具身推理模型
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载稀疏激活的模型配置
驭物™ Lion-ER-35B-A3B 由招商局狮子山实验室推出，是一款面向具身推理的模型。它采用 MoE 架构，总参数规模约 35B，而每个 Token 实际激活的参数量约为 3B。这种配置意味着模型在推理时只调用其中一部分参数，整体容量与单次计算开销被分开处理。在十项主流具身基准上，该模型的全部指标均录得上涨，其中多项核心能力超过了参数量更大的主流模型。对关注具身智能落地的读者而言，这一结果说明参数规模并非决定具身任务表现的唯一变量，激活结构与训练数据的组织方式同样会影响最终能力。
把能力拆成可训练的题目
团队没有走堆砌海量数据的老路，而是搭建了一套以能力为牵引的具身数据引擎。其起点是一张能力蓝图，被拆分为 8 个一级领域与 39 项二级能力；蓝图在记录时区分主能力与辅助能力，并把不可拆分的联合任务单独列出。训练采样时会考虑能力之间的组合与留出，避免某项能力被固定绑定在特定场景上。团队把从抽象能力目标转化为具体训练题目的过程称为能力编译，构题设有三条路径：由已有问答与标注转换、从数据中发现证据、以及依据条件进行推导。这套流程的作用在于让每一条样本都能对应到明确的能力目标，而不是凭场景数量堆积。
合成题目也要独立作答
在监督核验环节，团队采用数据提纯、几何构题与定向合成三条路线并行。合成环节只负责生成问题与标注，答案则必须经过独立作答或额外审核，以免合成过程把错误一并带入。对于高难度的失误样本，还引入 Human in the loop 进行人工复核。最终形成的监督训练集共 312380 条样本，训练预算按能力需求分配，样本重点覆盖空间几何、多视角对应、动作轨迹与任务规划等方向。评测机制则从错题反推能力缺口，其素材池包含 31 个数据源、约 430 万条记录。对读者来说，这意味着模型的提升来自可追溯的题目设计与核验流程，而非单纯扩大数据规模。
为什么值得看
小激活参数实现十项基准全涨，展示了一条不靠堆数据提升机器人空间与任务理解能力的路径。
信源1 家
关键事实
相关 · 模型
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。