Jev具身智能开源项目也来了！玩转抓方块、叠积木、绕障碍

智猩猩AI整理

编辑： 没方

国庆前类Jev快速决策模型特别火，OpenAI 也推出了相似功能的Decisions API，让快速决策再次成为焦点。

那能不能把 Jev 的快速决策能力用到具身智能上，让 AI 真正操控机械臂？

最近，一个名为EmbodiedJev（中文名：行知）的具身智能实验项目开源了，把 Jev 等大模型接入机器人仿真环境，让 AI 在电脑上控制机械臂完成抓取、搬运、堆叠等任务。

该项目不用购买真实机械臂，也不用提前训练机器人模型。开发者只需在本地安装并启动项目，就能通过浏览器操作仿真机械臂。

01

让Jev控制仿真机械臂，

抓方块、叠积木、绕障碍

给 AI 一个任务：把红色方块抓起来，放进蓝色托盘里。

听起来很简单，但对机器人来说，需要完成一连串操作。

系统先获取红色方块的位置，再让模型选择动作，由控制程序驱动机械臂靠近方块、闭合夹爪，将方块抬起并移动到托盘上方，最后松开夹爪。

EmbodiedJev 就是让 Jev 等模型参与这些动作的决策。整个过程可以在浏览器中看到，机械臂如何移动、夹爪什么时候闭合、物体有没有成功放进托盘，都能直观观察。

项目准备了三个任务。

第一个，抓取搬运。让机械臂抓起桌上的红色方块，再把它放到蓝色托盘里。

第二个，方块堆叠。让机械臂把一个方块放到另一个方块上面，就像小时候玩积木一样。但光放上去还不够，还要检查方块是否稳定。

第三个，越障放置。这次难度升级，机械臂不能直接把物体送到目标位置，而是要先抬高，绕过障碍物，再完成放置。

这三个任务，基本覆盖了机械臂操作中的抓取、移动、避障和放置等动作。

项目底层使用 MuJoCo 物理仿真引擎，搭配 Franka Panda 机械臂模型。

所以，这不是简单播放一段预先制作好的动画，而是在物理仿真环境中执行动作。机械臂能不能抓住方块、物体会不会掉落、堆叠是否稳定，都需要经过仿真环境的检验。

02

Jev怎么指挥机械臂？

可能有人会好奇，Jev 毕竟是一个决策模型，又不是专门训练出来的机器人模型，它怎么控制机械臂？

其实，EmbodiedJev 采用了一种比较巧妙的方式：让 Jev 等模型根据环境状态选择下一步动作，再由底层控制程序驱动机械臂执行。

例如，机械臂需要抓起一个方块。

系统会先把当前环境状态告诉模型，包括机械臂的位置、方块的位置，以及夹爪的状态。

需要注意的是，Jev 目前不能直接读取相机拍摄的原始图像，而是通过结构化文本获取环境信息。比如，系统会把方块的位置、机械臂的状态等信息整理好，再交给 Jev 做决策。

模型根据这些信息，判断下一步应该靠近方块、调整位置，还是闭合夹爪。

程序收到决策后，控制机械臂执行动作，再把最新状态反馈给模型。

如此循环，直到完成任务或者达到执行限制。

这就像玩游戏一样，AI 不需要一次性规划好全部操作，而是根据每一步的结果不断调整。

为了让开发者体验不同的控制方式，项目还提供了三种模式。

（1）直接选择预设技能。程序提前准备好一些动作技能，模型只需要判断当前该使用哪一个。

（2）逐步控制移动。模型可以选择机械臂沿 X、Y、Z 哪个方向移动、移动多远，以及什么时候打开或闭合夹爪。

（3）分层决策。模型先确定当前的小目标，例如靠近方块、抓住方块或者移动到托盘，再决定具体动作。相比直接让大模型生成复杂的机器人控制代码，这种方式把决策和底层控制分开，更方便观察模型的实际表现。

项目还支持接入 GPT、Claude 等模型。开发者可以让不同模型执行相同任务，看看谁的决策更快、动作更合理，以及调用成本有什么差异。

03

不用买机械臂，

电脑上就能体验

对于普通开发者来说，EmbodiedJev 比较吸引人的一点，就是不需要购买机器人硬件。

（1）下载项目

cd embodied-jev

（2）安装并启动

macOS / Linux：

embodied-jev serve --port 8090

Windows PowerShell 命令：

embodied-jev serve --port 8090

访问 http://127.0.0.1:8090，运行第一个实验。

如果暂时没有模型 API Key，也可以先使用项目提供的规则基线，体验完整的仿真流程。

想让 Jev、GPT 或 Claude 真正参与决策，再配置相应的模型接口。项目还支持本地 MiniCPM5-2B 模型。

不过，目前 EmbodiedJev 还是一个具身智能实验项目，主要在仿真环境中验证不同模型的决策能力，并不意味着 Jev 已经可以直接控制现实中的机器人。

大家可以点击评论区的项目链接在自己的电脑上动手试一试。

关注+星标，获取AI前沿进展与开源一线动态