MagicLab 表示，旗下通用機器人操作框架 EchoPolicy-0 在艾倫人工智慧研究所（AI2）的 MolmoSpaces Combined 綜合榜排名第一，四項 v1 操作任務的等權平均成功率為 75.4%。同組的 3.4B 參數 MagicBrain 平均成功率為 72.4%，排名第四；它在 Pick（抓取）單項的成功率則為 94.4%。118

兩個數字衡量的範圍不同：94.4% 是 MagicBrain 在抓取任務的成績，不是整體平均。這組榜單結果提供了相同評測條件下的比較，但本身並不足以證明機器人已能在真實工作環境穩定運作。

榜單成績怎麼看

EchoPolicy-0 的 75.4% 是 Pick、Pick and Place（抓取並放置）、Open（開啟）和 Close（關閉）四項任務的等權平均。MagicLab 表示系統在 Combined 榜名列第一。1

Pandaily 根據 AI2 公開的榜單資料計算，平均值約為 75.5%；其報導亦指出，資料列出的 EchoPolicy-0 搭配 Gemini-3.8-Flash 視覺語言模型，並在 Franka 機械手臂上評測。這與 MagicLab 公布的 75.4% 接近；以下仍以公司公布的 75.4% 為準。41

系統	Combined 榜成績	單項或補充資訊
EchoPolicy-0	75.4%，排名第一	Pick、Pick and Place、Open、Close 四項等權平均
MagicBrain	72.4%，排名第四	3.4B 參數；Pick 成功率 94.4%

MolmoSpaces 評測什麼？

MolmoSpaces 是 AI2 推出的零樣本具身 AI 基準，整體環境包含超過 23 萬個室內場景及約 13 萬種物件資產。1 它以具體場景和操作指令評估系統能否完成任務，而不是只看單一示範或一項抓取分數。

這些環境與物件數量描述的是基準的整體規模，不代表本次榜單評測跑了同樣數量的測試回合。四項任務的排名有助於比較系統在共同測試條件下的表現，但無法單憑分數推斷它在不同實體設備、物件或工作環境中的可靠度。

EchoPolicy-0：讓理解、動作與檢查接成一個流程

MagicLab 將 EchoPolicy-0 描述為整合視覺語言模型、幾何操作工具與通用動作策略的框架，讓機器人從觀察場景、理解指令，到選擇及執行動作，再檢查結果，形成連續流程。18

在這個架構中，動作模型可以先提出多個候選方案，再由視覺理解協助選出符合目標的方案；執行後，視覺檢查可用來判斷是否繼續、重試或改走其他路徑。1820 換句話說，系統不只是下達一次動作指令，也把結果回饋納入操作流程。

MagicBrain：先辨認要拿什麼，再決定怎麼動

MagicBrain 採用上下文視覺引導，讓視覺辨識協助找出指令所指的物件，再引導動作模型執行。這種做法把「要操作哪個物件」與「手臂如何移動」分開處理。1933

MagicLab 的分析指出，在其研究的部分抓取失敗案例中，常見問題不是動作不穩，而是選錯目標物件。30 這凸顯了指令理解與視覺定位的重要性：即使抓取動作本身執行得穩定，若拿錯東西，任務仍然失敗。這是針對該批案例的觀察，不應直接推廣成所有機器人抓取失敗的通則。

MagicLab Studio 曾表示，偏好分層架構，也將通用任務中的指令遵循視為挑戰之一。33 EchoPolicy-0 與 MagicBrain 的不同設計，都著眼於如何把語言目標、視覺判斷與實際動作連起來。

榜單亮眼，不等於已證明能上工

MolmoSpaces 的成績呈現兩套系統在基準任務中的表現。它們可以作為比較依據，但不能單靠榜單名次就推論系統已具備真實場域的可靠性或商業部署成熟度；能否適應不同的實體條件與使用環境，仍是另一個問題。

MagicLab 表示，旗下通用機器人操作框架 EchoPolicy-0 在艾倫人工智慧研究所（AI2）的 MolmoSpaces Combined 綜合榜排名第一，四項 v1 操作任務的等權平均成功率為 75.4%。同組的 3.4B 參數 MagicBrain 平均成功率為 72.4%，排名第四；它在 Pick（抓取）單項的成功率則為 94.4%。118

兩個數字衡量的範圍不同：94.4% 是 MagicBrain 在抓取任務的成績，不是整體平均。這組榜單結果提供了相同評測條件下的比較，但本身並不足以證明機器人已能在真實工作環境穩定運作。

榜單成績怎麼看

EchoPolicy-0 的 75.4% 是 Pick、Pick and Place（抓取並放置）、Open（開啟）和 Close（關閉）四項任務的等權平均。MagicLab 表示系統在 Combined 榜名列第一。1

Pandaily 根據 AI2 公開的榜單資料計算，平均值約為 75.5%；其報導亦指出，資料列出的 EchoPolicy-0 搭配 Gemini-3.8-Flash 視覺語言模型，並在 Franka 機械手臂上評測。這與 MagicLab 公布的 75.4% 接近；以下仍以公司公布的 75.4% 為準。41

系統	Combined 榜成績	單項或補充資訊
EchoPolicy-0	75.4%，排名第一	Pick、Pick and Place、Open、Close 四項等權平均
MagicBrain	72.4%，排名第四	3.4B 參數；Pick 成功率 94.4%

MolmoSpaces 評測什麼？

MolmoSpaces 是 AI2 推出的零樣本具身 AI 基準，整體環境包含超過 23 萬個室內場景及約 13 萬種物件資產。1 它以具體場景和操作指令評估系統能否完成任務，而不是只看單一示範或一項抓取分數。

這些環境與物件數量描述的是基準的整體規模，不代表本次榜單評測跑了同樣數量的測試回合。四項任務的排名有助於比較系統在共同測試條件下的表現，但無法單憑分數推斷它在不同實體設備、物件或工作環境中的可靠度。

EchoPolicy-0：讓理解、動作與檢查接成一個流程

MagicLab 將 EchoPolicy-0 描述為整合視覺語言模型、幾何操作工具與通用動作策略的框架，讓機器人從觀察場景、理解指令，到選擇及執行動作，再檢查結果，形成連續流程。18

在這個架構中，動作模型可以先提出多個候選方案，再由視覺理解協助選出符合目標的方案；執行後，視覺檢查可用來判斷是否繼續、重試或改走其他路徑。1820 換句話說，系統不只是下達一次動作指令，也把結果回饋納入操作流程。

MagicBrain：先辨認要拿什麼，再決定怎麼動

MagicBrain 採用上下文視覺引導，讓視覺辨識協助找出指令所指的物件，再引導動作模型執行。這種做法把「要操作哪個物件」與「手臂如何移動」分開處理。1933

MagicLab 的分析指出，在其研究的部分抓取失敗案例中，常見問題不是動作不穩，而是選錯目標物件。30 這凸顯了指令理解與視覺定位的重要性：即使抓取動作本身執行得穩定，若拿錯東西，任務仍然失敗。這是針對該批案例的觀察，不應直接推廣成所有機器人抓取失敗的通則。

MagicLab Studio 曾表示，偏好分層架構，也將通用任務中的指令遵循視為挑戰之一。33 EchoPolicy-0 與 MagicBrain 的不同設計，都著眼於如何把語言目標、視覺判斷與實際動作連起來。

榜單亮眼，不等於已證明能上工

MolmoSpaces 的成績呈現兩套系統在基準任務中的表現。它們可以作為比較依據，但不能單靠榜單名次就推論系統已具備真實場域的可靠性或商業部署成熟度；能否適應不同的實體條件與使用環境，仍是另一個問題。