魔法原子Magic-VLAK02攻克叠盒封胶长程任务，成功率超90%

WAIC现场，魔法原子直接让机器人干起了“叠箱封胶”的精细活儿——这可不是花架子表演，而是通用具身大模型在物理世界里的硬核实力展示。

7月17日，在2026世界人工智能大会（WAIC）上，魔法原子亮出了自研的通用具身大模型Magic-VLA K02的最新成果。现场直接上真机：叠盒封胶、整理柔性衣物、收纳行李箱……这些看起来对机器人都挺有挑战的长程任务，一个不落全演示了一遍。

现场搭载了Magic-VLA K02的机器人，已经不是那种只懂“按剧本走”的机械操作了。它能自主理解任务、拆分步骤、识别物体，还能连续执行动作。更关键的是，一旦环境状态变了，或者作业流程被打断，它能实时调整策略，自己把任务接上。

这可不是单纯的“叠个盒子”或“贴个胶带”，而是多步骤任务规划下的连续稳定执行。据魔法原子官方介绍，这是行业里第一次由通用具身大模型完整实现叠盒与封胶的组合式长程任务。

这个成果意味着什么？它不光验证了Magic-VLA K02在长时序规划、可变形物体操控、动态扰动恢复和多物体空间推理上的能力，更重要的是，它坐实了这套模型作为魔法原子机器人核心技术底座的价值。有了这个基础，不同的机器人形态——无论是机械臂还是移动操作机器人——就有了统一的智能基础，能更顺畅地进入真实岗位，实现能力迁移和规模化部署。

三类复杂场景，指向通用操作能力

这次WAIC现场，魔法原子没有挑简单的展示，而是选了三种物理属性和任务结构差异都很明显的场景，来集中验证Magic-VLA K02的通用操作能力。

先说叠盒与封胶。这俩活儿看着不起眼，但物流仓储、工业生产、电商零售这些场景里，它俩可是基础工序，也是具身智能领域公认的“硬骨头”。为什么？因为一个涉及刚性物体的精细操控，另一个则要搞定柔性物体的动态控制。这两项任务的自动化水平，直接决定了包装效率、作业标准化程度和人力成本。

现场是怎么做的？Magic-VLA K02能实时识别不同规格、尺寸和形态的箱体，然后自主调整机械臂的抓取点位、受力角度和叠放姿态。它还结合了空间感知、重心控制和力反馈，就算箱体位置偏移了、变形了，也能动态修正。

贴胶带环节就更讲究了。胶带这东西本身会形变，箱体表面状态也不一样。模型得根据这些实时变化，调整末端轨迹和贴合力度，降低空鼓、偏移、褶皱和断裂这些常见问题。

不过，真正有挑战性的还不是单个动作，而是叠盒封胶这个组合流程。它可不是“先叠盒再贴胶带”这么简单串起来就行，而是一个从任务规划、状态感知、连续执行到异常恢复的完整长程流程。Magic-VLA K02没有简单堆叠预设动作，而是把整个流程拆解成一系列有明确时序关系的原子任务。每执行一步，它都根据结果更新当前状态，再动态规划后续动作——从源头上就降低了多步骤操作中的误差累积。

举个例子，箱体位置突然偏移了、胶带状态变了，甚至任务流程被意外打断了，模型都能重新感知环境、评估任务进度、修正执行轨迹。整个过程不依赖人工干预，真机环境里自己就能把任务接上。

除了叠盒封胶，现场还演示了柔性衣物整理和行李箱收纳。

衣物整理指向的是高自由度柔性物体操控。衣服没有稳定的几何形态，轮廓、边角、局部状态都会受重力、接触和机械臂动作影响。Magic-VLA K02能根据实时视觉信息动态选择抓取位置，持续调整作用力度、动作角度和执行轨迹，一口气完成平铺、压边、对折、收角和规整。

现场还特意设置了打断环节：观众在操作过程中移动或打乱衣物。机器人没有机械地继续执行原有轨迹，而是重新识别衣物状态、判断任务偏差，然后基于最新环境信息恢复后续操作——这才是真正的“有脑子”。

行李箱收纳任务则更复杂，需要同时处理多个物体和有限空间之间的约束关系。机器人得识别箱内可用区域，理解衣物、盒装物品等不同对象的形态、尺寸和可堆叠关系，然后统筹规划摆放位置、操作顺序和空间利用方式。

这三类任务，分别涉及结构推理、柔性形变建模、长程任务恢复和多物体空间规划。现场呈现的，不是三套彼此独立的固定程序，而是同一模型框架在不同任务中的能力外化——这才是通用具身大模型该有的样子。

分层式双系统架构，支撑复杂任务连续执行

这三类任务能在同一套模型框架下完成，核心在于Magic-VLA K02面向长程任务构建的分层式双系统架构。

这套架构由高层“理解—生成统一模型”和低层动作生成系统协同组成，打通了任务理解、原子任务拆解、视觉目标生成、未来状态预测和连续动作执行的完整链路。

高层系统负责全局决策和任务规划。面对抽象的长程指令，模型能结合实时视觉信息进行语义理解和多步推理，把完整目标拆解成一系列可执行的原子任务。

，模型需要依次判断当前该完成什么——是箱体识别？抓取调整？位置校准？胶带定位？还是贴合压实？每一步都得根据前序结果来规划下一步，而不是一次性生成整套固定动作。

为了进一步约束动作方向，高层系统还会为基于任务结果的预测生成“关键结果图像”，明确每一步的视觉目标。这样一来，机器人不只知道自己“当前需要做什么”，还能获得“完成后应该呈现什么状态”的目标参照，任务成功率自然就上去了。

低层系统则负责把高层拆解的原子任务和视觉目标，转化为连续机器人动作。这套系统由VLM主干网络、动态专家模块和动作专家模块协同构成。

动态专家模块能提前推演当前动作可能引发的物体形态和场景变化。比如在衣物折叠过程中，模型不只看当前抓取位置，还要预测抓取和翻折后布料可能呈现的状态——避免出现“局部动作正确，整体结果跑偏”的情况。

动作专家模块则负责输出连续、平滑的动作序列，提升抓取、弯折、移动、贴合和放置这些相邻动作之间的衔接稳定性，减少机械抖动、动作突变和轨迹偏移。

通过高层规划和低层执行的协同，Magic-VLA K02能持续回答三个问题：当前需要完成什么？完成后应达到什么状态？具体如何执行动作？现场看到的连续操作、动态纠错和受扰恢复，都被纳入了这套长程任务闭环之中。

四项能力优势，增强长程任务落地表现

基于分层式双系统架构，Magic-VLA K02在推理部署层面，进一步构建了“感知—理解—决策—执行”的端到端闭环。在长程策略控制、技能组合泛化、跨机器人适配和工程部署稳定性这几个维度，都实现了进一步提升。

，模型通过原子任务拆解和视觉目标约束，能持续跟踪任务进度，并根据实际执行反馈调整后续策略。据测试，Magic-VLA K02在复杂长程任务中的整体准确率达到92%，任务中断率降低至5%以内。

，模型可以根据不同任务目标，对抓取、移动、弯折、放置、开关、清洁等基础技能进行重新编排，不需要为每一个完整流程分别训练独立策略。叠盒封胶、衣物整理、行李箱收纳——这些展出的任务，都涉及多种基础技能的组合调用。高层系统根据任务目标组织技能顺序，低层系统结合当前场景生成具体动作，使模型能够适应不同任务结构。

，Magic-VLA K02引入了元数据描述体系，对不同机器人的本体类型、控制模式和动作空间进行统一表达。这意味着同一套模型框架，能支持机械臂、移动操作机器人，以及单臂、双臂等不同硬件形态。在已测试设备范围内，模型跨设备适配成功率达到100%，兼容设备品类提升200%以上——这有助于降低通用模型向不同机器人平台迁移时的数据采集和重复训练成本。

，双系统架构的运行有效减少了语义歧义和短视决策。当出现抓取失败、轨迹偏差或场景扰动时，系统能触发重新规划或任务重试，并根据物理执行结果持续更新后续动作。据测试，Magic-VLA K02轨迹偏差修正响应速度提升70%，所需机器人示范训练数据量减少60%。

从数据训练到真机部署，构建完整大模型训练闭环

WAIC现场呈现的任务连续性和扰动恢复能力，不只来自模型架构，也建立在Magic-VLA K02从数据训练到推理部署的完整技术体系之上。

高质量的机器人数据是具身大模型持续提升的重要基础。但真机数据普遍存在采集成本高、生产效率低、场景覆盖有限等问题，尤其难以覆盖长程任务中的大量中间状态、异常情况和失败样本。

针对这个瓶颈，Magic-VLA K02采用了“海量第一人称视角数据预训练+少量机器人示范数据跨形态动作对齐与后训练”的训练范式。模型先是从第一人称操作数据中学习人类的任务拆解逻辑、手物交互关系、视觉子目标和物体状态变化，再通过机器人示范数据，把相关认知和操作能力对齐到真实机器人动作空间。

训练过程分阶段完成：高层任务拆解与视觉目标生成、低层未来状态预测和连续动作生成，最后通过渐进式解冻与端到端联合微调，解决高层系统与低层模块之间的表征错位问题。经过联合训练后，模型能够围绕统一任务目标协同完成语义理解、步骤规划、状态预测和动作控制——在降低大规模真机数据依赖的同时，提升对未知场景、物体变化和复杂交互的适应能力。