允中 发自 凹非寺
量子位 | 公众号 QbitAI
机器人拉个拉链，到底需不需要“脑子”？
过去几年，从OpenVLA到π0、π0.5，具身大模型已经能让机器人把指令和动作连得有模有样。
但一旦包的位置挪了几厘米，或者光照暗了一点，它们往往就会“大脑宕机”。
究其原因，是因为这些机器人大多在玩“连连看”：看到观察结果，直接输出动作。
它们只是记住了轨迹，却并不理解背后的物理逻辑。
现在，一种让机器人“先想明白，再稳定行动”的新范式来了。
由至简动力、北大、港中文联合提出的LaST-R1，首次将隐空间物理推理塞进了强化学习的闭环。
同时，LaST-R1作为LaST₀基座模型的物理世界后训练范式，LaST₀首创面向机器人的隐空间物理思维链推理，并已中稿ICML2026 Spotlight（top 2.2%）。
它的表现有多夸张？
仿真满分级别：在LIBERO benchmark上，仅靠1条轨迹预热，平均成功率就冲到了99.9%；
真机性能起飞：在真实抓取、旋转等复杂任务中，比目前最强的SOTA模型π0.5还要高出22.5%。
强化“物理推理”：即便换了物体、背景或光照，它依然能稳如老狗，不再是单纯的动作复刻，而是真正学会了在隐空间里进行“物理思考”。
这个让机器人长出“物理脑”的LaST-R1，到底是怎么炼成的？
那个让环境反馈同时优化“怎么想”和“怎么动”的LAPO算法又藏着什么玄机？
我们顺着这篇论文，深挖了一下这套能让机器人“深思熟虑”的后训练黑科技。
具身大模型的隐形天花板：只会模仿，不懂物理
尽管从OpenVLA到π0.5，具身大模型已经完成了图像、语言与动作的初步对齐。
但在实际落地中，工业界发现了一个致命的“幻觉”：
能模仿，不等于能在物理世界泛化。
这就导致了极差的泛化性。
打个比方，机器人可能记住了100种拉拉链的轨迹，但只要拉链的角度偏转15度，或者光照发生变化，单纯靠“观察→动作”的端到端映射就会失效。
核心问题在于，现有的VLA模型缺少一个“思考”的中间层——即让机器人在行动之前，对物理世界进行推理。
过去，学术界也曾尝试引入思维链（CoT）来解决推理问题。
但对于机器人操作而言，语言推理往往太慢且颗粒度太粗，你很难用文字精准描述“拉链咬合时的细微阻力反馈”。
LaST-R1的核心突破，就是放弃了低效的语言CoT，转而在隐空间（Latent Space）中构建物理推理链。
它不再让机器人看到图像就“闭眼”出动作，而是先在隐性空间里建模场景的结构、物体的物理关系以及未来的动态变化。
然而，要让机器人学会这种“思考”，仅靠静态的模仿学习（SFT）是不够的。
目前的强化学习（RL）方法大多像是一个只看结果的严厉教练：它只告诉机器人动作成没成功（优化Action Space），却无法指导机器人“刚才那下你是怎么想的”。
针对这一痛点，该团队提出的LAPO（Latent-to-Action Policy Optimization）算法，正式将“思考过程”拉进了强化学习的优化闭环。
它让环境反馈不仅优化动作，也优化机器人行动前的“物理思考”。
不只练“手”更要修“脑”：如何让机器人强化模型的物理推理？
近日，至简动力、香港中文大学、北京大学计算机学院多媒体信息处理国家重点实验室，提出了一种面向机器人操作的自适应物理隐空间推理强化学习框架——
LaST-R1（Reinforcing Robotic Manipulation via Adaptive Physical Latent Reasoning）。
它希望通过强化学习后训练，让具身大模型不仅学会生成动作，也学会在行动前，进行面向物理世界的隐空间推理。
△LaST-R1 概览。
(a) 不同于仅严格优化动作的 vanilla RL 基线方法，
(b) 我们的方法利用 LAPO 联合优化自适应 latent CoT 与物理执行过程。通过连接认知推理与控制，LaST-R1 实现了
(c) 更快的收敛速度、更高的仿真成功率，
以及 (d) 更强的真实世界泛化能力。
与以往主要优化action space（动作空间，即机器人所有可执行指令的集合）的具身大模型RL不同，LaST-R1的核心思想是：
机器人不应只从图像和指令直接预测下一步动作，而应先在latent space（隐空间，可以理解为机器人大脑里的“隐性认知层”）中理解场景结构、物体关系和物理动态，再生成更稳定、精准的动作。
换句话说：
LaST-R1不只优化机器人的“手”，也优化它的“脑”。
具体来看，LaST-R1构建了一个面向latent reasoning-before-acting策略的强化学习后训练框架，核心由三步组成：
1、物理隐空间推理建模（Physical Latent Reasoning）
传统具身大模型往往直接从observation生成action，动作前缺少可建模、可优化的物理推理过程。
LaST-R1在模型推理中引入latent CoT：生成动作前，先在latent space中建模当前场景、物体关系和未来物理动态。
相比语言推理，latent reasoning更适合承载连续、高频、难以语言化的物理信息。
2、隐空间推理与动作生成的联合强化优化（Latent-to-Action Policy Optimization）
传统具身大模型RL多数只优化动作结果：哪个action带来更高reward，就强化哪个action。
LaST-R1提出LAPO，把环境奖励同时作用于latent reasoning和action generation：成功轨迹不仅强化正确动作，也强化动作之前的“好推理”；失败轨迹不只修正动作结果，也反向调整内部物理推理空间。
让reward真正塑造动作背后的reasoning process。
3、自适应latent CoT推理机制（Adaptive Latent CoT）
不同任务决策需要不同长度的思考。
LaST-R1引入adaptive latent CoT：简单状态下，模型可以快速结束推理并执行；拉拉链、擦花瓶、拧瓶盖等复杂接触式操作，则分配更长reasoning horizon。
在交互中学会：什么时候该多想，什么时候该立刻执行。
LaST-R1改变的是具身大模型后训练的优化对象：从只优化动作，转向同时优化动作背后的物理推理。
研究团队在仿真和真机环境中都进行了系统验证。
在仿真LIBERO benchmark上，LaST-R1仅依赖1条轨迹完成warm-up，随后通过在线RL优化，最终取得99.9%平均成功率，并相比Action-Only+PPO展现出更快收敛和更高最终性能。
在真机部署中，LaST-R1仅使用30条轨迹warm-up，再通过RL后训练将平均成功率从52.5%提升到93.75%，显著超过使用100条专家轨迹的π0.5（71.25%）。
更重要的是，在真实扰动条件下，LaST-R1仍保持较小性能下降，说明其学习到的不是单一场景中的动作轨迹，而是更可迁移的空间语义和物理动态理解。
上述结果意味着，具身大模型强化学习的重点正在发生变化——
机器人不再只是通过RL学会更熟练地执行动作，而是开始通过RL学会更合理地进行物理推理。
LaST-R1的意义，在于它提出了一种新的具身大模型后训练范式，能够让环境反馈同时塑造机器人的“思考方式”和“行动方式”。
一旦隐空间推理从模仿学习的“静态脚本”进化为强化学习的“演进核心”，机器人便能摆脱对演示数据的刻板复现。
在不断的交互试错中，它们开始强化模型的物理推理。
这或许也是具身大模型从“会模仿”走向“会适应”的关键一步。
LaST-R1框架概述
△LaST-R1 框架。
(a) LaST-R1 是一个统一模型，以视觉观测和语言指令作为输入，其中视觉基础模型提供具有物理语义约束的 latent targets，用于在动作生成前引导 latent CoT 推理。
(b) 在 LAPO 强化学习后训练过程中，LaST-R1 以闭环方式与环境交互，并将 latents、actions 和 rewards 存储到 rollout buffer 中，以联合重塑 latent space 与 action space。进一步地，模型通过基于预测概率学习生成 token，实现自适应推理，从而在不同任务中动态调整推理长度。
(c) 通过 LAPO，LaST-R1 能够在多样化任务中形成自适应推理长度，从而提升泛化能力与执行稳定性。
整个LaST-R1框架可以概括为三个关键阶段：先推理、再优化、动态决定想多久。
第一阶段：行动前的隐空间推理（Latent Reasoning-before-Acting）
给定当前视觉观测和语言指令，LaST-R1不会直接生成动作，而是先生成一段隐空间推理嵌入（latent reasoning embeddings），作为行动前的“隐空间物理思考”，用于建模物体关系、未来状态和操作动态。
随后，模型再基于这些隐空间推理 (latent reasoning) 并行生成action tokens。
这一步解决的是：如何让动作生成建立在物理推理之上。
第二阶段：LAPO同时优化隐空间（latent）和动作（action）
LaST-R1的核心算法是LAPO（隐空间到动作策略优化，Latent-to-Action Policy Optimization）。
传统具身大模型RL主要优化action，而LAPO将latent reasoning也纳入强化学习目标，让环境奖励同时塑造“怎么想”和“怎么动”。
论文中最关键的是latent-level ratio surrogate：
其中，表示rollout时旧策略生成的latent sequence，表示当前策略重新生成的latent sequence，控制latent分布宽度。
直观来说，如果某条轨迹成功，LaST-R1不仅会强化对应动作，也会强化动作之前产生的“好推理”。
随后，LAPO将latent和action放进统一的clipped objective中：
其中，表示同时优化latent reasoning和action generation，是advantage estimate，用于限制策略更新幅度。
最终，总训练目标为：
这意味着：LaST-R1的RL后训练不只是优化机器人的动作结果，也在优化行动前的物理推理过程。
第三阶段：Adaptive Latent CoT
不同任务需要不同的思考长度。
因此，LaST-R1引入Adaptive Latent CoT，通过token让模型动态决定何时结束latent reasoning并进入action generation。
这是为了让机器人根据任务难度自适应分配推理预算。
也就是说，LaST-R1不是让机器人每一步都固定想同样久，而是让它学会：简单状态快速执行，复杂状态多想一步。
为了优化这个结束标识符token的自适应生成，训练目标需要进一步加上L_end。
实验结果分析
1、仿真实验：LIBERO 99.9%
LaST-R1在LIBERO benchmark上进行系统评估，覆盖Spatial、Object、Goal 和Long四个任务套件。实验在one-shot SFT warm-up设置下进行，随后进入在线RL后训练。
结果显示，LaST-R1在四个suite上分别达到99.8%/100.0%/100.0%/99.8%，平均成功率达到99.9%，超过OpenVLA-OFT、π0.5、SimpleVLA-RL和πRL等强基线。
相比只优化动作空间的Action-Only + PPO，LaST-R1 + LAPO收敛更快、最终成功率更高，说明latent reasoning与action generation的联合优化能够为RL提供更稳定的“认知缓冲区”，从而提升复杂长程操作能力。
2、真机实验：从52.5%到93.75%
LaST-R1在四个真实操作任务上进行测试，覆盖单臂高精度插入、双臂协同、接触式擦拭和连续旋转等复杂物理交互。
为了突出RL后训练效果，论文将其与SOTA模型π0.5对比：π0.5使用100条专家轨迹进行SFT，而LaST-R1仅使用30条轨迹warm-up，并通过RL后训练继续优化。
结果显示，LaST-R1将真机平均成功率从warmup后的52.5%提升到93.75%，显著超过π0.5的71.25%，说明其优势不仅存在于仿真环境，也能迁移到真实物理交互中，并形成更稳定的执行策略。
3、泛化实验：换物体、换背景、换光照，依然稳
在LIBERO OOD设置中，研究团队采用9个seen tasks进行在线RL，并保留1个held-out task做泛化测试。
结果显示，Action-Only + PPO容易出现性能停滞甚至退化，而LaST-R1 + LAPO能在OOD tasks上持续提升，说明latent reasoning能帮助模型学到更可迁移的空间语义和物理动态。
在真实世界中，论文进一步测试了unseen object、background variation和lighting condition三类扰动。
相比SFT π0.5，LaST-R1在这些变化下保持更小的性能下降，说明它并不是简单记住训练场景中的动作轨迹，而是形成了更鲁棒的物理推理与动作生成能力。
结语：具身大模型不只是要会行动，而是开始学会“思考推理”
LaST-R1的意义，不只是把LIBERO平均成功率推到99.9%，也不只是让真机任务成功率提升到93.75%。
更重要的是，它提出了一种新的具身大模型后训练范式：强化学习不应该只优化机器人的动作，也应该优化动作背后的物理推理过程。
过去，我们更关心机器人能不能生成正确动作。
现在，LaST-R1在此基础上进一步追问：机器人能不能在行动前进行正确的物理推理？
通过LAPO，环境reward可以直接塑造latent reasoning space；
通过adaptive latent CoT，机器人可以根据任务难度动态调整思考长度。
这意味着，机器人不再只是复现演示数据中的动作轨迹，而是在交互中逐步强化模型的物理推理。
从这个角度看，LaST-R1让具身大模型强化学习从“看见就动”走向“先想明白，再稳定行动”。
当具身大模型开始学会在latent space中思考，机器人距离真正的自主操作，也许又近了一步。
论文链接: https://arxiv.org/abs/2604.28192
项目主页: https://siriyep.github.io/last-r1/
代码链接：https://github.com/CHEN-H01/LaST-R1
)
