自适应时序
根据动作变化学习事件边界，把更多表示能力分配给接触与转换阶段，把稳定运动压缩为更长事件。
GENERALIST EMBODIED INTELLIGENCE
MAXWELL
通用具身智能模型
以可变时长事件为动作的基本单元，让视觉、语言与连续控制在一个紧凑模型中协同工作。HEAT 与 Continuous-HEAT 在同一事件动作框架下，以两种接口实现面向机器人操作的精细控制。
1B完整模型参数规模（含动作头）
37.99M训练数据帧规模
91.9%MetaWorld MT50 平均成功率
REAL-WORLD MANIPULATION / PIPER
METAWORLD MT50 EVALUATION
性能指标打破 MetaWorld 权威榜单纪录
91.9%
平均成功率
四档难度成功率均值 · 总成功率 92.20%（2305 / 2500 条轨迹成功）
评测覆盖
50项任务
2,500条轨迹
4档难度
以上为项目评测数据；榜单表述依据项目所采用的 MetaWorld 公开榜单比较口径。
SHARED EVENT-ACTION FRAMEWORK
机器人动作，不只是连续数字
一次操作天然由若干持续时间不同的事件构成：接近、接触、抓取、搬运与放置。共享框架先学习事件边界与时长，再由 HEAT 或 Continuous-HEAT 接口保留真实执行所需的连续精度。
双路径事件接口
HEAT 采用离散 token 与连续残差，Continuous-HEAT 采用连续事件潜变量；二者共享事件语义与持续时间建模。
短时域闭环
先预测完整事件计划，再只执行前几个动作并重新观察环境，降低接触误差与环境变化的累积影响。
MODEL ARCHITECTURE
0.8B 主干，1B 完整模型
当前模型以 0.8B 多模态主干承接视觉、语言、机器人状态与本体信息，接入事件接口与动作头后，完整参数规模约为 1B。当前 0.8B 主干采用 Qwen3.5 实现；模型的关键设计位于其上的事件动作接口与连续动作生成模块。3B 全自研主干版本也即将推出。
MULTIMODAL BACKBONE0.8B 多模态主干视觉 · 语言 · 状态 · 本体
EVENT + ACTION事件接口与动作头两种事件参数化路线
FULL MODEL≈ 1B 完整模型包含动作头
ONE FRAMEWORK / TWO INTERFACES
一个事件动作框架，两种实现路线
两种路线共享事件语义与持续时间建模，只在面向策略的事件接口上采用不同参数化方式，并共同服务于紧凑表征、多任务泛化与闭环控制。
SHARED EVENT-ADAPTIVE CORE
从动作变化中发现可变时长事件
把连续动作块转化为紧凑、具备持续时间感知的控制单元；训练阶段由动作派生教师提供监督，推理阶段只依赖当前多模态观察。
- 事件内容
- 紧凑动作语义
- 时间结构
- 边界 + 显式时长
- 执行机制
- 短时域闭环
01
DISCRETE–CONTINUOUS INTERFACE
HEAT
以 FSQ 离散 token 表达事件身份，以有界连续残差保留度量细节，并显式预测事件持续时间。
策略接口离散—连续事件表示
02
CONTINUOUS EVENT LATENT
Continuous-HEAT
保留相同的事件语义与时间抽象，以归一化连续事件潜变量为 Flow Matching 动作生成提供条件。
策略接口连续事件潜变量
CONTINUOUS-HEAT / MATCHED CONTROL
事件条件带来稳定增益
每组实验都保持数据、骨干、优化器、流积分步数与执行时域一致。
NO HEAT62.20%
C-HEAT68.87%
NO HEAT52.16%
C-HEAT87.89%
NO HEAT7.32%
C-HEAT12.64%
NO HEAT43.92%
C-HEAT54.60%
DISCRETE HEAT / EVENTFORMER
离散 HEAT：更少 token，更高成功率
离散版 HEAT 用 8 个可变时长事件表示 32 帧动作，每个事件由 FSQ token、连续残差与显式时长组成，再由 EventFormer 自回归预测并以短时域闭环执行。
LIBERO62.3%10 项任务平均
MetaWorld63.9%4 项任务平均
RoboMimic58.1%3 项任务平均
HEAT EventFormer 在论文列出的三组基准中均达到相应表格的最高平均成功率。
OAT55.7%
HEAT62.3%
VQ-BeT58.8%
HEAT63.9%
VQ-BeT42.5%
HEAT58.1%
WHAT MATTERS
自适应时长与动作修正不可或缺
消融结果把增益拆到具体组件：离散 token 提供事件身份，连续分支保留度量细节，预测时长与动作修正器负责将紧凑计划可靠地还原为控制轨迹。
- 固定事件时长
- −10.1 pp52.2%
- 移除动作修正器
- −13.7 pp48.6%
- 仅 token 策略
- −19.5 pp42.8%
DATA ENGINE
面向不同机器人与任务的数据底座
训练管线统一整理 16 组 LeRobot v3 数据目录，覆盖不同动作维度、相机数量与采集频率，为视觉语言动作模型提供异构训练语料。
16数据目录
257,875Episodes
37.99MFrames
≥185.25GB可读取数据
16 组数据，覆盖 9 类来源
- 动作宽度
- 4–14 维
- 相机数量
- 1–4 路
- 采集频率
- 5–80 Hz
- 平均序列
- 147.3 帧
OXE 与 RoboCasa 合计占已存储帧数的 88.4%。训练前通过统一 schema 对齐图像、语言、动作、状态与本体描述。
ROBOT IN MOTION
从仿真到真机
操作能力在不同环境中接受验证。真机实验展示视觉条件下的抓取与搬运；仿真任务覆盖接触、路径规划、容器操作与长序列任务。
ACKNOWLEDGMENTS
致谢
本研究得到江苏省前沿技术研发计划和南京市重大专项资助。