知识卡片：智元开源首个真实场景Physical Agent数据集

一句话结论

智元开源 AGIBOT WORLD 2026 第四期“具身推理”数据集，称其为首个真实场景 Physical Agent 数据集，核心变化是把具身任务设计从“操作难度”转向“决策难度”，并同时提供高层问答与低层动作轨迹。

事件概述或研究问题

• 智元开源 AGIBOT WORLD 2026 第四期“具身推理”数据集，定位为“首个真实场景 Physical Agent 数据集”。
• 该数据集的任务设计重心从“操作难度”转向“决策难度”，即更强调智能体在真实场景中做判断与选择，而非单纯完成动作。
• 数据围绕物品数量、遮挡关系、位置占用、任务进度等维度，构造同一任务的多种状态，覆盖九类推理能力，并分 Easy、Medium、Hard 三档。
• 数据集同时提供高层问答与低层动作轨迹，成功与错误样本并重。
• 材料称该数据集已用于智元即将推出的 Agent 框架与新一代基座大模型训练。

方法/产品要点

• 数据组织方式：围绕同一任务构造多种状态变体，用物品数量、遮挡关系、位置占用、任务进度等因素制造决策差异。
• 能力覆盖：九类推理能力，按 Easy、Medium、Hard 三档分层。
• 标注形态：高层问答（偏决策/推理）与低层动作轨迹（偏执行）并存。
• 样本构成：成功样本与错误样本并重，而非只保留成功轨迹。
• 使用去向：已用于智元即将推出的 Agent 框架与新一代基座大模型训练（具体框架名称、模型名称与发布时间待核实）。

主要结果或产业意义

• 材料未给出该数据集的量化评测结果或下游模型指标提升幅度，相关效果数据待核实。
• 产业意义在于：具身智能数据集的评价轴从“能不能完成操作”扩展到“能不能在真实场景中做对决策”，并把高层推理问答与低层动作轨迹放在同一数据体系中。
• 对 Physical Agent 训练而言，成功与错误样本并重，意味着数据不仅用于模仿正确动作，也可能用于让模型区分错误决策状态（具体训练用法待核实）。

为什么重要

• 具身智能此前的数据集多围绕操作技能与动作复现，本条材料的增量在于明确以“决策难度”为任务设计轴，并用同一任务的多状态变体覆盖九类推理。
• 高层问答与低层动作轨迹同时提供，有助于把“推理”与“执行”放在同一数据链路中考察，而不是分开处理。
• 与既有脉络的关系：本卡片与 SIMA 2 等虚拟 3D 世界中的通用具身智能体卡片不同，关注点是真实场景 Physical Agent 数据集；与美团 LongCat 2.0/CatPaw 等偏软件与平台侧的 Agent 卡片也不同，本条落在具身数据与训练侧。它补充的是“真实场景具身推理数据”这一环，而非通用 Agent 平台或虚拟世界代理。

局限与不确定性

• “首个真实场景 Physical Agent 数据集”为材料中的自称表述，是否为首个待核实。
• 九类推理能力的具体清单、Easy/Medium/Hard 的划分标准、数据规模与场景数量，材料未展开，待核实。
• 数据集的实际评测表现、下游模型收益、错误样本比例与使用方式，材料未给出，待核实。
• 已用于“即将推出的 Agent 框架与新一代基座大模型训练”属材料陈述，框架与模型的具体信息待核实。

可用于图书/PPT/简报的角度

• 具身智能数据集设计轴的变化：从“操作难度”到“决策难度”。
• Physical Agent 的数据结构：同一任务多状态变体 + 高层问答 + 低层动作轨迹 + 成功/错误样本并重。
• 真实场景具身推理与虚拟世界具身智能体（如 SIMA 2）的对照：数据来源与训练目标差异。
• 具身智能从“动作模仿”走向“决策训练”的产业信号。

原始材料

• 标题：腾讯研究院AI速递 20261023
• 条目：智元开源首个真实场景Physical Agent数据集，覆盖九类推理
• 来源链接：https://m.sohu.com/a/1091363921_455313?scm=10001.325_13-325_13.0.0-0-0-0-0.5_1334&digest_item=8
• 父级链接：https://m.sohu.com/a/1091363921_455313?scm=10001.325_13-325_13.0.0-0-0-0-0.5_1334
• 英文关键词：Physical Agent, AGIBOT WORLD 2026, embodied reasoning, real-world dataset, decision difficulty, action trajectories