量子位 ·

魔法原子Magic-VLA K02攻克叠盒封胶长程任务，成功率超90%

💡 原文中文，约3600字，阅读约需9分钟。

📝

内容提要

魔法原子在WAIC展示其通用具身大模型Magic-VLA K02，成功完成叠盒封胶、衣物整理等复杂长程任务。该模型采用分层双系统架构，实现任务规划与动作执行协同，具备动态纠错和受扰恢复能力，叠盒封胶成功率超90%，并提升跨机器人适配与部署稳定性。

🔎

长程任务要求机器人在长时间内连续执行多个步骤，且每个步骤的结果会影响后续动作。传统方法依赖预设程序，一旦环境变化或出现意外，就容易失败。Magic-VLA K02通过将任务拆解为原子任务，并持续更新状态、动态规划，降低了误差累积，从而在叠盒封胶这类复杂任务中实现超90%的成功率。

Magic-VLA K02采用分层双系统架构：高层系统负责理解指令、拆解任务并生成视觉目标，低层系统则负责将目标转化为连续动作。这种分工让机器人不仅知道“做什么”，还知道“做成什么样”以及“怎么做”，从而提升长程任务的稳定性和灵活性。

通过引入元数据描述体系，Magic-VLA K02能够统一表达不同机器人的本体类型、控制模式和动作空间，使同一模型框架可适配多种硬件形态。据测试，跨设备适配成功率达100%，兼容设备品类提升200%以上，这有助于降低模型迁移到新机器人时的数据采集和训练成本。

❓

魔法原子在WAIC现场展示了叠盒封胶、柔性衣物整理和行李箱收纳等复杂长程任务。

叠盒封胶组合式长程任务的成功率超过90%。

Magic-VLA K02采用分层式双系统架构，由高层“理解-生成统一模型”和低层动作生成系统协同组成，实现任务规划与动作执行。

当环境变化或任务被打断时，模型能重新感知环境、评估任务进度并修正执行轨迹，在无人干预下接续完成任务。

它引入元数据描述体系，统一表达不同机器人的本体类型、控制模式和动作空间，使同一模型支持多种硬件形态，跨设备适配成功率达100%，兼容设备品类提升200%以上。

采用“海量第一人称视角数据预训练+少量机器人示范数据跨形态动作对齐与后训练”的范式，分阶段完成高层任务拆解、低层动作生成，并通过端到端联合微调解决表征错位。

轨迹偏差修正响应速度提升70%，所需机器人示范训练数据量减少60%，任务中断率降低至5%以内。

🏷️