多项SOTA之后，炎曦动力公布Paimon系列具身基模技术路径

上周，一家成立仅3个月的机器人芯片企业，公布在多个模型榜单上上拿下了，这家企业就是聚焦“具身原生芯片”的公司——炎曦动力。本周，该企业再次公布技术模型，以执行评估连接端云协同 探索具身模型与芯片协同设计——以执行评估打通端云协同，把机器人对算力的真实需求变成芯片的直接设计依据。

在实际运行中，机器人抓取杯子时，夹爪闭合之后还需要判断杯子是否抓稳、下一步操作能否继续。将这种执行判断接入任务流程，是炎曦动力（Primotion）具身智能研究框架的重要切入点。

炎曦动力公布的技术路线以Paimon系列具身基模为核心，首个模型为Paimon-0。

该路线以端云协同为基础，围绕“执行”和“学习”组织两个相互连接的闭环：执行中，通过观测、行动、评估与纠偏推进任务；任务结束后，将真实经验用于数据筛选、模型更新和独立验证。

这套框架还承担着另一项任务：把机器人运行中的计算需求转化为计算平台与芯片的设计依据。

更强的云，需要更强的端

机器人控制、动作生成、任务规划和模型更新，运行在不同的时间尺度上。一次复杂推理即使给出了正确计划，若结果返回时物体已经移动，机器人仍需重新检查动作条件。因此Paimon-0强调：计算结果要正确、更要及时——必须在仍能影响行动的时间内到达。

炎曦动力将这一架构概括为“本地脑+元脑”：云端负责复杂场景理解、规划和跨任务学习，端侧持续维护现场状态，在有限时间内完成感知、动作与执行评估。复杂推理可以异步进行，但返回结果必须经过当前状态检查；实时控制与保护始终保留在本地。

在这一技术判断下，云端越强、能规划的任务越复杂，端侧越需要相应的执行与反馈能力承接。端云围绕共享的任务状态协作，模型部署位置取决于响应要求、网络条件和硬件预算。

如何让机器人判断自己做对了？

Paimon-0将执行评估作为连接局部动作与任务规划的机制。以抓取为例，系统结合观测确认物体是否随末端移动，再由任务调度模块决定继续、恢复还是重新规划。评估模型提供判断依据，任务调度负责选择后续动作。

据炎曦动力研发团队介绍，其具身agent系统已在内部实验中跑通从任务解析、技能调用到结果反馈的执行闭环。该系统将视觉语言模型、动作策略、进度判断和记忆模块组织在一起：上层拆解任务，策略生成动作，进度判断模型（Progress Model ）判断当前阶段，记忆模块保留历史状态，为后续决策提供上下文。

目前，Progress Model 通过上下文学习，借助示教轨迹理解任务阶段与完成条件。对于未见过的任务，一条示教也可以作为进度判断参考，帮助评估执行状态。团队正进一步研究异常识别和不确定性估计，让执行反馈更有效地支持恢复与重规划。

执行记录同样连接着下一轮学习。Data Infra框架对齐视觉观测、机器人状态和动作序列，保留失败与恢复过程，使团队能够根据完整上下文分析问题、选择训练数据。炎曦动力已采集并入库约10万小时第一视角视频，用于预训练及下游研究；带有状态和动作标签的机器人轨迹，则为动作学习和失败分析提供更直接的依据。

从真实任务负载反推芯片架构

端侧需要同时运行感知、动作策略和执行评估，却受到算力、存储、带宽与功耗的共同约束。Paimon-0围绕这一问题探索紧凑表征：通过 query token 提取物体位姿、空间关系与可供性等行动相关信息，并在表征层面做蒸馏，让更小的模型保留对任务有效的知识。

其目标是减少不必要的中间计算与数据搬运，为持续执行和评估留出资源。模型效率的收益需要与动作成功率、跨环境泛化和端侧延迟一起检验。当多个模型并发运行时，单模型加速可能被带宽竞争和调度等待抵消，平均推理速度也难以反映少数延迟突增对任务的影响。

因此，炎曦动力选择“先计算平台、后专用芯片”的研发路径：先通过模型、运行时系统（Runtime）和真实机器人任务，测量响应期限、峰值内存、并发调度及持续运行功耗，再据此确定计算、存储、互联与控制接口的架构取舍——模型研究与硬件设计由同一组真实任务需求连接起来。

让执行反馈进入下一轮迭代

下一阶段，炎曦动力将重点验证执行评估对任务恢复的作用、不同端侧资源与网络条件下的端云协作表现，以及经验筛选对模型更新的贡献。递归自我改进是其长期研究方向——当前仍需人工分析、实验设计和版本验收，但每一次能力更新，都会通过独立评测与回归验证把关。

在炎曦动力看来，机器人想要真正走进真实场景，算力必须跟着任务走。模型在真实任务中暴露出的每一次延迟、资源约束和恢复需求，最终都会回到芯片架构上，成为具身计算的设计依据。