狮子山 Lion-ER-35B-A3B 具身模型：3B 激活 65.29 分

一句话结论：招商局狮子山人工智能实验室发布的具身推理视觉语言模型「驭物 Lion-ER-35B-A3B」用 35B 总参、约 3B 激活的 MoE 配置，在十项公开具身基准上等权综合均分 65.29，全面超过同参数量基座 Qwen3.6-35B-A3B 与 27B 稠密模型。

过去两年具身智能领域的主流叙事是堆数据。Open X-Embodiment、DROID 这类工作不断扩大真实机器人数据的边界，模型参数也在同步往上走。招商局先进技术研究院下属的狮子山人工智能实验室在 2026 年 11 月初发布「驭物 Lion-ER-35B-A3B」时，给出的是另一条路径：先把模型需要具备哪些能力定义清楚，再围绕能力反向设计数据。

这个选择在榜单上的体现相当直接。评测采用 avg@4 口径，每道题让模型独立作答四次取平均，十项公开基准全部指标上涨，综合均分 65.29，高于基座 Qwen3.6-35B-A3B 的 61.76，也高于参与对比的 Qwen3.6-27B 稠密模型的 64.12。模型权重已在 Hugging Face 开放，BF16 Safetensors 格式，原生兼容 Transformers、vLLM、SGLang。

一、35B 总参、3B 激活意味着什么

「驭物 Lion-ER-35B-A3B」采用 MoE 混合专家架构，总参数约 35B，每个 Token 只激活约 3B 参数。这组数字决定了它的部署位置：推理开销接近 3B 稠密模型，容量却接近 35B。对机器人场景来说这一点很关键，具身任务的延迟预算是毫秒级的，参数规模直接关系到端侧或边缘侧能不能跑。

对比对象的选择也透露了意图。评测把同家族的 Qwen3.6-35B-A3B 作为基座，用来隔离后训练数据带来的增益；再放一个 27B 稠密模型 Qwen3.6-27B，检验激活参数相同量级下的效果。参与横向比较的还有 Hy-Embodied-VLM-1.0-A3B、Step-3.7-Flash 和 NVIDIA Cosmos3-Super Reasoner。

综合分比基座高 3.53 分，比 27B 稠密模型高 1.17 分。更值得注意的是单项指标的落差幅度，Where2Place 空间放置比基座高 9.30 分，ERQA 的轨迹理解子类高 12.12 分。空间推理基准 SAT 达到 89.33。

这些分差集中在空间与时序维度，指向了一个具体判断：模型的改进来自训练数据的针对性，而非参数或算力的堆叠。

二、能力蓝图：8 个一级领域、39 项二级能力

整套方法的第一层是一张能力蓝图。团队把具身推理拆成实体、空间、时序、物理、可供性、任务、社会、证据 8 个一级领域，细化出 39 项二级能力，并额外把推理方式、输入形式、回答形式作为独立维度标注，避免不同分类维度混用造成的能力重叠。

蓝图同时记录能力的调用条件。真实任务往往要求复合能力，判断物品是否放置到位既需要任务进度判断，也需要空间关系推理，团队在蓝图阶段就把主能力与辅助能力分开记录，把不可拆分的联合任务单独列出，训练采样时还会考虑能力组合与留出，避免某一类能力始终绑定在少数固定场景、物体或提问方式上。

这套思路解决的问题很具体。在既有机器人数据集里，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。蓝图把配比设计提前到了训练开始之前，避免了评测暴露问题后再回头补数据的老路。

三、能力编译：把抽象能力变成可作答的题目

有了能力清单，下一步是构题。团队把这套流程命名为能力编译，逐项拆解出需要什么场景、怎样组织观察、提出什么问题、依据什么确定答案。以跨视角推理为例，先明确提供给模型的视角数量、需要在多张画面间建立关联的目标物体，以及判定方位时采用的观测者位置与朝向，同时还要核验素材本身是否足以支撑可靠答案。关键视角缺失、证据不足的题目只能依靠猜测，这类题不进入训练集。

监督核验有三条互补路径。数据提纯负责清洗既有数据，排查图像顺序、问题指代、选项与答案映射是否错乱，并控制重复曝光。几何构针对具备可靠位姿、深度和物体对应关系的素材，先算出固定答案和推理所需的中间关系，再让模型在这些事实约束下生成问题与解释。定向合成在现有监督不足时基于真实图像或视频素材构造问答，合成的是问题与标注，模型给出的答案绝不直接当作真值，必须经过独立作答或额外审核。

整套流程守一条原则：保留有证据的难题，排除缺证据的伪难题。模型答错不构成删样本的理由，多个模型给出相同答案也不能单独证明答案正确。对持续失误的高难样本，团队引入人工复核，搭建可视化核验平台，通过多视角对照、时序回放与证据标记还原关键视觉线索，避免把模型能力边界误判为数据问题。

监督训练集最终包含 312380 条样本，重点覆盖空间几何、多视角对应、动作轨迹、任务规划。训练预算按能力需求分配，而非按数据源题量决定权重，减少同质化重复题目，把资源投向薄弱的推理类型。样本从候选、审核到入训全程留痕，配方可追溯、可调整。

四、评测驱动的数据迭代闭环

这套体系里最有意思的是 Eval-Driven Data Harness。它把评测从训练结束后的成绩单变成下一轮数据生产的起点。

流程是这样的：先从模型错题里反查，先核查标注、画面证据、评分是否存在问题，再区分偶发失误与系统性能力短板。确认存在能力缺口后，从覆盖 31 个数据源、约 430 万条记录的素材池中检索推理逻辑相同、场景不同的新素材，经构题核验后加入训练，再通过新一轮评测验证效果。

一个具体例子能说明这个闭环的运作方式。模型容易把画面二维上下位置等同于三维高度，团队就优先选择具有上下多层可放置支撑面的场景，迫使模型结合空间结构判断高低，再给左右、前后关系增加遮挡和透视变化覆盖更容易混淆的情况，同时结合分割、深度和几何约束核验放置区域是否合理。失败模式直接改写下一轮的数据条件。

这种做法的代价是前期投入。431 万条记录的素材池、多源核验、人工复核平台，都需要时间。不过它的收益也明确：数据不再是一次性静态供给，而是随模型能力持续演化。评测结果在这里承担的是生产调度的角色。

五、四道公开题看差距在哪

官方用四道来自公开评测基准的题目做对照，每道题都由 Lion-ER、基座 Qwen3.6-35B-A3B、Qwen3.6-27B 各自独立作答四次。

第一题辨方向。题目给出机械臂第一人称相机的连续两张照片，瓶子整体向上偏移，问相机正在朝哪个方向转动。基座仅答对一次，Qwen3.6-27B 四次全错。Lion-ER 通过两帧画面的变化规律判断出相机向下转动，四次全部答对。这道题考的是区分变化来源，物体移动和相机转动在单帧里看起来一样。

第二题选轨迹。画面标注四条候选轨迹，任务是把充电器从插线板拔下放到右侧。两个对比模型都被那条向右延伸的紫色长弧线误导，轨迹看着朝目标区域延伸，实际根本接触不到充电器。Lion-ER 逐一排查无效路线后选出唯一可行的橙色轨迹，四次全对。判据落点不在轨迹指向哪里，而在能否接触目标、完成任务。

第三题跨视角。同一住宅的三张照片，蝴蝶挂画只出现在第三张，要求判断拍摄第一张时挂画位于拍摄者什么方向。拍摄者站在楼梯底部面朝台阶，客厅在身后，挂画实际在后方。两个对比模型四轮都答成左侧。Lion-ER 需要把三张照片拼成一张心理地图，再切回第一张的视角作答。

第四题看进度。一段机器人把桌上寿司卷放进锅里的视频，问第一步移动到寿司卷是否已经完成。基座四次里有三次误判为已完成，Qwen3.6-27B 半数回答同样误判。Lion-ER 四次都判断尚未完成。画面里出现动作不等于步骤达成，机械臂正在靠近和已经移动到位在画面上只差一小段位移。

四道题分别对应相机运动判断、动作轨迹交互推理、跨视角空间映射、任务状态进度识别。这四类恰好是机器人把语言指令转成物理动作时的必经环节。空间推理基准上 89.33 的分数与这四道题的表现互相印证。

这类能力落差对真机执行的影响是直接的。进度误判会让机器人提前执行后续动作，整套时序流程错位；轨迹选错意味着机械臂伸向一个接触不到目标的位置，任务在中途就断了。

六、开放权重与后续方向

模型已在 Hugging Face 开放，路径为 cmriat/lion-ER-35B-A3B，BF16 Safetensors 格式，原生兼容 Transformers、vLLM、SGLang 等主流推理框架。官方给出的适配方向包括空间关系理解、场景状态分析、任务进度判断、空间约束理解，覆盖具身问答、场景决策分析与机器人系统集成。

狮子山实验室由招商局集团于 2024 年 9 月建立，是集团首个自主建设的具身智能研发平台，方向覆盖具身大小脑、具身感知、具身推理、四足与人形本体。团队表示后续将面向具身 Agent 拓展工具调用、多轮交互与执行反馈的训练数据，探索长程任务中的连续决策与失败恢复。

后续这几个方向补的是当前模型的短板。工具调用要求模型把推理结果转成对外部系统的动作，多轮交互要求在长序列里保持状态一致性，失败恢复则要求模型在动作出错后识别原因并重规划。把这三块补上，具身模型才能从单步问答走向长程任务。

七、常见问题

Q：Lion-ER-35B-A3B 的 35B 和 3B 分别指什么？

35B 是 MoE 架构下的总参数规模，约 3B 是每个 Token 实际激活的参数规模。推理时的算力开销贴近 3B 稠密模型，模型容量则由 35B 总参数承载。

Q：65.29 这个分数能和别的模型横向比吗？

可以，但只在十项具身基准这个口径内比较。评测采用 avg@4 口径，每题独立作答四次取平均，表中基座 Qwen3.6-35B-A3B 的 61.76 与 Qwen3.6-27B 的 64.12 都是同一口径下测得。跨基准套件的成绩不具备直接可比性。

Q：模型开源了吗？可以直接用吗？

已经开放。权重在 Hugging Face 的 cmriat/lion-ER-35B-A3B，BF16 Safetensors 格式，兼容 Transformers、vLLM、SGLang。需要注意本次评测用的是 avg@4 口径，自测结果与官方数字可能存在差异。

小结

这篇发布里最值得记下的两点。其一，能力牵引的数据引擎把数据从静态供给变成了随评测持续迭代的生产线，Eval-Driven Data Harness 这套机制可以迁移到任何有明确能力清单的垂直模型任务上。其二，3B 激活在十项基准上压过 27B 稠密模型，说明具身场景下算力分配的精细度比总量更重要，这与空间智能方向的其他路线形成有意思的对照。

3.53 分的综合领先和 9.30 分的单项领先之间还有距离，前者是路线有效的信号，后者才说明具体哪块能力被真正补上了。四道公开题给出的证据在这两者之间。

相关阅读

• 普林斯顿 SSoN 空间基准：人类 83.3% 与大模型 39.7% 的差距
• 大晓机器人 ACE-Brain-0.6：六项空间感知超越 GPT-6 Astra
• 逐际动力 FluxVLA V2：14 种策略与 9.64 倍推理加速
• 蚂蚁灵波 LingBot 全栈 2.0：220 万下载与 9 个模型仓库