极智嘉Gravity Control：机器人自然语言纠偏成功率达95%
一块普通的面包，只要换个摆放姿态，就能难倒那些已经学会这项任务的机器人。在训练过程中，面包通常以竖放的姿态出现，可一旦换成横放，机械臂明明能识别并尝试抓取，却总在距离上出现偏差——这是幼儿园孩子都能轻松解决的问题，机器人却栽在了这里。
在针对横放面包的测试中，原始策略模型的成功率仅为5%。机器人并非完全不具备抓取、移动、放置的整套技能，只是这次的初始位姿超出了训练数据的分布范围，导致动作出现偏差。如果重新采集示教数据并补充训练，不仅需要投入大量时间，还会给算力带来不小负担。更棘手的是，端到端模型的黑盒特性让人很难定位具体是哪一步出现了问题。
面对这种“已有任务能力却出现局部偏差”的情况，具身智能领域传来了好消息：极智嘉在其Gravity具身智能框架下推出了Gravity Control因果干预模型，无需重新训练，仅用自然语言就能修正机器人的局部动作偏差。
Gravity Control的核心在于深入黑箱模型内部，找到真正控制动作的关键特征，在推理阶段直接进行调节。面对分布外任务时，操作人员只需给出一句自然语言提示，比如“抓面包时再深一些”，机器人就能修正跑偏的动作。
实测结果显示，在真实的分布外复杂操作任务测试中，整体成功率从17.5%大幅提升至87.5%；其中横放面包这一单项测试的成功率，更是从5%飙升至95%。
这组数据背后，是具身智能落地时的关键突破：机器人纠错终于有了一条可解释、可验证、可约束的运行时路径。
具身智能在过去两年取得了显著进步，但真实物理世界并不完全按照训练数据运行，大量失败并非因为机器人完全不会，而是出现了局部偏差。这种偏差最让部署方头疼：现场不能停机，问题又难以明确，只能上传数据等待下一轮模型更新。因此，对于模型已有能力范围内的执行偏差，需要一种更直接、可验证的纠偏方式。
要实现推理阶段的纠偏，首先要回答一个底层问题：模型内部成千上万的高维隐藏表征中，哪些真正掌握了动作的控制权？学界存在一个普遍误区：如果某个表征能被解码出“抓取”“向下”这类语义概念，就一定在指导机器人行为。但极智嘉的研究团队发现，相关性并不等于因果性——许多对物体或指令高度敏感的语言层表征，更像是“解说员”，对机械臂的实际动作几乎没有贡献。真正驱动末端执行器姿态、夹爪开合与位移速度的关键特征，集中在动作生成链路深处的动作专家层。
为厘清特征的作用路径，极智嘉团队定义了一条概念属性链，特征需要依次通过五道关卡：保真性、运动对齐、泛化验证、因果可控、闭环安全。实验结果显示，语言层特征往往在运动对齐或泛化验证环节就会从传导链中断开，只有动作专家层的特征能完整通过所有关卡。
这一发现的重要性在于，它将“可解释”和“可控制”彻底分开。很多可解释性工作停留在给特征命名，而Gravity Control采用了更严格的标准：判断一个特征是否有控制权，不看它的名称，而是看干预后动作是否按预期响应。
基于上述发现，极智嘉构建了Gravity Control模型，其工作方式分为三步：第一步是稀疏特征发现，在冻结原始模型骨干的前提下，引入稀疏自编码器等模块，对高维隐藏激活进行稀疏分解，提取出具有人类可解释语义的潜在特征；第二步是定向因果干预，对已标注语义的特征进行定向放大或抑制，观察动作通道的物理响应；第三步是特异性评估，保留方向一致、剂量响应单调、影响集中在目标动作上的特征，这些才是真正可用的“控制手柄”。
相较于行业内只能通过特征激活进行被动“读出”的做法，Gravity Control打通了从可解释到干预再到控制的完整闭环，是用白盒化、可解释思路进行因果干预的实践。
找到控制特征后，工程上的关键问题是如何让操作人员方便使用——答案是自然语言。传统端到端模型仅接受“把面包放进盘子”这类宏观指令，无法对抓取深度、手腕角度等局部动作进行稳定控制。而Gravity Control会基于已建立的概念控制表，搭建语言引导的动作调节链路。当机器人出现偏差时，操作人员只需给出自然语言提示，外部规划器无需重新规划整条轨迹，只需检索概念表中的特征词表，直接对原始模型内部激活进行在线调节。
系统还引入了闭环门控，为干预程度设置上限，确保调节仅作用于特定几何自由度，避免动作发散。也就是说，一次纠偏不会影响原本就能准确完成的后续动作。
当前全球具身智能赛道中，绝大多数玩家聚焦于拓展机器人的能力边界，而“已经会做的事出现偏差该如何处理”，仍是少有人系统攻克的难题。这类玩家可分为三类：第一类是能力派，不断提升机器人的任务覆盖范围，比如相关企业推出的模型大幅提升了零样本成功率，但部署时出现偏差仍需重新微调；第二类是数据派，通过海量真实部署数据提升可靠性，但成本极高，可靠性提升以月和万小时为单位计算；第三类是纠错派，探索失败恢复的新范式，比如通过强化学习或专家干预，但纠错仍发生在训练回路内，或依赖人工远程接管。
极智嘉的Gravity Control则实现了四个“同时做到”：一是无需更新权重和新增数据，将纠偏周期从天或周压缩到一句话；二是建立了完整的因果验证体系，将学术界的探索推进到可控且安全的工程标准；三是提供自然语言接口和闭环门控，无需人工示范且确保安全；四是在真机分布外任务中实现了量级提升，单项成功率从5%到95%的跃升在同类干预成果中极为罕见。
这项技术的问题定义来自真实产业作业，而非实验室。极智嘉的业务覆盖40多个国家、超过1700个项目，面对仓储拣选、多SKU、光照变化等高频场景的可靠性要求，Gravity框架补上了落地部署后迭代成本高昂的短板。
实测数据显示，在真实物理机器人的分布外任务中，Gravity Control在不更新原始策略权重、不新增示教数据的前提下，将横放面包等失败任务的整体成功率从17.5%提升至87.5%，其中横放面包测试的成功率达到95%。如果采用传统的补采数据、重新微调的方法，要达到同样提升需要投入更多算力和时间，而Gravity Control仅通过在线调节就实现了这一效果。
需要明确的是，Gravity Control的定位是“纠偏”而非“启蒙”，它的前提是机器人已具备基础技能，只是因现场变化导致动作跑偏，才能将偏差拉回，无法直接教会机器人全新技能。但在一线商业部署中，“明明会做但换个姿势就做不好”的微小偏差，恰恰是现场最耗费人力的问题，低成本解决这些问题，就解决了大部分落地难题。
回到柔性制造或仓储现场，Gravity Control的价值会被放大。一个工作站每天面对成百上千种SKU，摆放随机、包装各异，哪怕只有1%的动作偏差，日均数千次抓取就会带来数十次人工介入，部署后的日常成本才是真正的负担。Gravity Control指向两层长期价值：一是自动纠错闭环，未来可接入上层系统，实时检测、诊断并主动纠正偏差；二是经验沉淀与复用，成功纠偏的案例可沉淀为可复用的技能，推动系统自进化。
具身智能的能力曲线仍在快速增长，但真实世界不仅要求机器人“会做”，更要求“做错了能快速修正”。Gravity Control给出的答案是，当模型具备基础能力时，无需回到昂贵的数据工厂，只需找到真正的控制特征，用自然语言在线调节，就能守住安全边界，还能将成功经验沉淀为能力。这不仅证明了概念可解释不等于行为可控制，更给产业带来了成本下降的希望，让机器人从需要人紧盯的娇贵设备，变成可靠的生产力工具。
具身智能从Demo走向生产力的路上，极智嘉的Gravity Control提供了清晰的路径，让机器人的纠错能力从昂贵的盲盒，变成了可解释、可管理、可积累的实用能力。
