知识卡片：ARC——机器人基础模型的推理配方

一句话结论

在不增加机器人示范数据、不做基础模型规模训练的前提下，通过一套名为 ARC 的“推理配方”（推理轨迹 + 自动标注流水线 + 适配策略），可以大幅提升现有机器人基础模型的零样本任务表现。

事件概述或研究问题

主流提升机器人基础模型（RFMs）的思路依赖更大的模型、更多机器人示范数据和昂贵的大规模训练。本文提出一个有效且高效的互补路径：用合适的推理配方提升现有最先进 RFMs 的零样本任务性能。作者将这套配方称为 ARC，目标是回答“能否不改数据规模、只改推理方式就获得显著提升”。

方法/产品要点

ARC 由三个关键要素组成：

1. 推理轨迹（reasoning trace）：有效的推理轨迹应扎根于机器人的下一个动作，并解释其因果结构——即为什么该动作是合适的、它应产生什么效果。
2. 可扩展的自动标注流水线：这些轨迹可以从已有示范中自动生成，从而无需采集新的机器人数据即可构建 ARC-Trace-DROID（基于 DROID 数据集）。
3. 适配预训练 RFMs 的策略：让最先进的 VLA（如 $π_{0.5}$）和 WAM（如 Cosmos3-Nano-Policy）学会利用这些轨迹进行控制，微调与推理方式针对各模型架构与能力定制。

主要结果或产业意义

• 使用 ARC 后，零样本 RFM 性能提升在作者看来是“无额外机器人示范、无基础规模训练”条件下的空前水平。
• 适配后的模型在 RoboLab-120 和 MolmoSpaces 上建立新的 SOTA，在 RoboLab-Reasoning-50 上提升最高达 50 个百分点。
• 在真实机器人上，ARC 将 $π_{0.5}$ 的任务成功率提升 82.2 个百分点。
• 产业意义：为机器人基础模型能力提升提供了一条不依赖数据堆叠与算力扩张的补充路线，可能降低改进成本与数据采集门槛。

为什么重要

主流叙事强调“更大模型 + 更多数据 + 更大训练”，ARC 提示存在一条“推理层”的杠杆：通过结构化推理轨迹与自动标注，把已有示范的因果信息显式化，再让现有模型学会使用。这与仅靠数据规模扩张的路线形成互补，也与本知识库中多张卡片关注“用高质量数据/语料提升基础模型零样本泛化”的脉络相呼应，但 ARC 的增量在于：它不新建大规模数据，而是从现有示范中自动生成推理轨迹并改造推理/控制接口。

局限与不确定性

• 具体的自动标注流水线细节、失败案例与适用范围在摘要中未展开，待核实。
• 82.2 个百分点等提升幅度的任务设置、基线配置与统计口径待核实。
• 是否对所有类型 RFMs、所有任务分布都同样有效，材料未说明，待核实。
• 论文声称的“空前（unprecedented）”为作者表述，独立验证情况待核实。
• 项目网站与代码/数据开放程度待核实。

可用于图书/PPT/简报的角度

• “不靠堆数据也能提升机器人基础模型”：推理配方的补充路径。
• 推理轨迹的因果结构：为什么动作合适、应产生什么效果——可作为“可解释控制”的案例。
• 自动标注流水线：从已有示范中挖掘监督信号，降低数据采集成本。
• 跨模型适配：同一推理配方如何分别适配 VLA 与 WAM 两类架构。
• 零样本泛化与真实机器人成功率的量化提升对比。

与既有脉络的关系

既有卡片（如 RMISC、MedPMC）强调用大规模/高保真数据语料提升基础模型零样本泛化；本条 ARC 的增量在于：不新建大规模数据，而是从现有示范中自动生成推理轨迹，并针对模型架构定制微调与推理策略，从而在同规模数据下取得零样本性能提升。

原始材料

• 标题：ARC: A Reasoning Recipe for Robot Foundation Models
• arXiv ID：2610.12386v1
• 作者：Gokul Puthumanaillam, Tao Sun, Elie Aljalbout, Moritz Reuss, Zhaoshuo Li, Fabio Ramos, Ankit Goyal, Jenai Xuning Yang
• 发布：2026-10-08T17:38:04Z
• 主分类：cs.RO；分类：cs.RO, cs.AI
• Abstract URL：https://arxiv.org/abs/2610.12386v1
• PDF URL：https://arxiv.org/pdf/2610.12386v1
• 项目网站：https://arc-robot-reasoning.github.io/
• 关键词：Robot Foundation Models, Reasoning Trace, Automatic Labeling, VLA, WAM, Zero-shot Generalization