商汤联合创始人王晓刚旗下ACE Robotics发布空间感知模型

由商汤联合创始人王晓刚创立的ACE Robotics于10月19日发布具身AI模型ACE-Brain-0.6。该模型旨在帮助机器人把语言和视觉信息与物理空间对应起来。

ACE-Brain-0.6基于Qwen3.5-9B进行监督微调。其核心能力包括识别物体、在图像中定位物体，以及判断机器人可以在何处与物体发生交互。这些能力构成空间定位的基础，使机器人能把“拿起杯子”这类指令转化为具体物体和可到达的物理位置。

公司称，训练该模型使用了约100万条空间定位样本。这一数据规模旨在让模型接触更丰富的物体类别、空间关系和交互场景。ACE Robotics未披露训练集的完整构成和标注流程。

在公司报告的评测中，ACE-Brain-0.6在八项定位基准中的六项优于GPT-6 Astra。这一比较把该模型置于需要连接语言、图像和机器人动作点的任务上，与通用系统进行对照。相关结果由公司提供，尚未经过独立验证。

ACE-Brain-0.6在七项公开基准上的平均得分为74.53。在基于真实机器人场景的RobotGrounding评测中，其得分为94.13。GPT-6 Astra在同一组两项指标上的得分分别为73.68和91.10。

RobotGrounding上的差距值得关注，因为真实机器人场景会带来光照、相机角度、物体摆放和背景杂乱等变化。在这样的环境中表现良好，模型不仅要能在干净图像中识别物体，还要估计可用的交互点。

ACE Robotics是越来越多构建具身AI模型的公司之一，这类模型把视觉语言预训练与机器人专用数据结合起来。常见做法是以通用基础模型为起点，再用任务数据进行微调。ACE-Brain-0.6通过监督微调适配Qwen3.5-9B，遵循了这一路径。

空间感知是机器人落地的实际瓶颈。机器人可能识别出物体，但如果找不到把手、杯沿或清晰的接近路径，仍可能抓取失败。输出交互点的模型试图把感知转化为可执行坐标，从而缩小这一差距。

此次发布也凸显了基准设计在具身AI中的作用。公开基准便于跨模型比较，真实机器人评测则检验这些提升能否在物理条件下成立。ACE Robotics报告了两类评测的较强结果，但仍需独立测试确认模型在不同机器人本体和环境中的表现。

公司把ACE-Brain-0.6的重点放在空间定位，而非广泛的对话能力。这一取向反映了机器人领域常见的分工：语言模型理解指令，视觉模型识别物体，定位模型把这些输出连接到机器人可行动的位置。

ACE Robotics由商汤联合创始人王晓刚创立。与商汤的关联为其带来计算机视觉和AI研究背景，但ACE Robotics正在开发自己的具身AI产品。10月19日的发布是该公司在这一方向上的最新公开进展。

TechNode报道了此次发布，并援引Pandaily。现有细节集中在模型架构、训练规模和基准得分上。关于部署方式、机器人兼容性、推理成本和真实环境可靠性等问题仍未公开。

对机器人开发者而言，ACE-Brain-0.6这类模型的吸引力在于减少连接感知与动作所需的工程工作。如果报告中的性能能够成立，此类模型可能让机器人更容易学习新物体和交互目标，而无需重建整套感知栈。

对这些结果应保持对厂商自报基准的通常谨慎。基准得分可能受提示设计、评测协议以及训练数据与测试场景匹配程度影响。ACE Robotics公布了主要数字，但尚未提供完整的独立评测。

因此，ACE-Brain-0.6更像是一个值得关注的模型，而非已有定论的解决方案。其意义在于把大型语言模型底座、百万级空间定位数据集和对交互点的关注结合起来。这些要素正被具身AI公司视为机器人按指令在真实空间中行动的必要条件。