科技日报记者 崔爽
具身模型在感知、决策与操作方面的能力正迅速增强，然而一旦进入真实物理世界，面对此前未见过的物体位姿或环境扰动等情况，仍可能出现动作偏差，进而拉低分布外（OOD）任务的成功率。
近日，具身智能公司极智嘉推出Gravity Control因果干预模型。该模型不需要训练原始策略模型，也无需新增示教数据，而是借助机制可解释性来挖掘模型内部的动作调控机制，从而在运行时对具身策略进行纠偏。
据介绍，Gravity Control从揭示端到端模型内部的因果表征机制切入，构建了“概念可解释+行为可控制”的双向闭环。操作人员只需给出一句自然语言提示，就能精确激活并微调模型深层的运动特征，使分布外（OOD）复杂操作任务的成功率由17.5%提高到87.5%。
此外，Gravity Control模型并不绑定某一种具身策略架构，接入不同类型的原始模型后，均可通过自然语言在运行时完成纠偏。
随着各类端到端具身智能模型逐步进入真实物理环境，模型能力本身已不再是唯一需要关注的重点；更关键的是，当机器人出现失误时，能否诊断出问题来源，并对局部行为实施可预测、可约束的干预。
基于这一思路，Gravity Control还可进一步接入更高层级的智能体或AI原生系统套件，由上层系统持续判断任务状态、识别动作是否偏离目标，并自动完成全流程作业链条。系统还能把成功的纠偏过程沉淀为可复用的Skill（技能），当再次遇到相似状态时，系统可优先检索并调用已有经验，从而减少对人工干预的依赖。
来源：科技日报科学研究；原文日期：2026-10-21。内容经中文改写，请以原文为准。
