在机器人领域，让人工智能真正 「看懂」 三维世界一直是一个棘手的问题。传统的视觉语言模型 （VLA） 大多依赖于二维图像和文本数据训练，难以理解真实环境中的三维空间。然而，最近来自上海交通大学和剑桥大学的研究团队提出了一种名为 Evo-0 的新型增强视觉语言动作模型，通过轻量化的方式注入 3D 几何先验，使得机器人在复杂任务中的空间理解能力得到了显著提升。
Evo-0 模型的创新在于其利用视觉几何基础模型 （VGGT），从多视角的 RGB 图像中提取出三维结构信息，并将这些信息与已有的视觉语言模型相结合。这种方法不仅避免了使用额外传感器或显式深度输入的需要，还显著提升了空间感知能力。在 RLBench 仿真实验中，Evo-0 在五个需要精细操作的任务上，成功率比基线模型 pi0 高出 15%，并且在开放 VLA(openvla-oft) 上提升了 31%。
具体而言，Evo-0 将 VGGT 作为空间编码器，引入了通过 VGGT 提取的 t3^Dtoken，这些 token 包含了深度上下文和空间关系等几何信息。通过交叉注意力融合模块，模型能够将提取的二维视觉 token 与三维 token 进行有效结合，提升了对空间布局和物体关系的理解能力。这种方法在保证训练效率的同时，灵活性和部署便捷性也得到了提高。
在真实世界的实验中，Evo-0 在处理复杂空间任务时表现出色，包括目标居中放置、插孔、密集抓取等任务，均超过了基线模型，平均成功率提升了 28.88%。特别是在对复杂空间关系的理解和操控能力方面，Evo-0 展现出显著优势。
综上所述，Evo-0 通过巧妙的空间信息融合，为未来的通用机器人策略提供了一条新的可行路径。该研究成果不仅在学术界引发了广泛关注，也为机器人领域的实际应用带来了新的可能性。
论文地址：https://arxiv.org/pdf/2507.00416
