国产 Lion-ER-35B-A3B 分得清「画面里更高」和「空间里更高」，权重已开源
11 月 4 日，招商局先进技术研究院下属的狮子山人工智能实验室开源了 Lion-ER-35B-A3B：一个视觉语言模型，训练目标不是描述一张图，而是弄清屋子里什么东西在哪儿、任务走到了哪一步。约 350 亿参数，混合专家架构，每个 token 只激活约 30 亿。重点不在体积。团队先把 39 项具体能力列清楚，再按这张清单去找数据，而不是先把能拿到的数据全灌进去；在十项公开的具身基准上，十个指标全部高于基座模型，等权平均分 65.29。
这类模型不是帮你描述照片的聊天工具。它想给机器人一双带脑子的眼睛：输入是相机画面加一句任务，输出是「离把手还远」「相机向左转了」「这个箱子跟上一帧是同一个」这样的判断。
机器人一直踩的三个坑
世界是三维的，画面是平的。大部分失误都从这一点长出来。换个角度看，同一个柜子就不像自己了。画面里物体挪了位置，也可能根本没动——动的是相机。「开到寿司卷旁边」和「开到寿司卷那儿」在画面上只差几厘米，但这几厘米决定该不该伸手。
最直白的例子是瓶子。机械臂相机相邻两帧里，瓶子整体往上移了。可能是瓶子被举起来，也可能是相机往下低头。两种情况下机器人要做的事正好相反：要么往上够，要么往下够。
发布文里点名的正是这三类错误：换视角带来的混淆、相机运动判断错、任务进度判断错。没有一类是「认不出物体」，三类全是空间和时间。
先有技能清单，再谈数据
顺理成章的做法是多屯机器人数据集。实验室反着来，而且写得很直白：数据更多不等于能力更强。已有研究就显示，同一个数据集里只要调整不同领域的采样权重，下游任务的表现就会明显变化。
所以第一步是画「能力蓝图」：八大领域——实体、空间、时序、物理、可供性（这个东西到底能拿来做什么）、任务、社会、证据，往下细化到 39 项二级能力。每一条样本还单独标注推理方式、输入形式、回答形式，把容易混在一起的维度拆开。
接着是「能力编译」：把抽象要求落成一道具体的题——要几个视角、画面里必须看到什么、问什么问题、凭什么判定答案。如果画面本身信息不够、只能靠猜，这道题就不进训练集。猜出来的不算样本。
答案要过三道关。一是清洗老数据：帧序对不对、「这个」指的是谁、选项和答案键对不对得上。二是几何构题：在有可靠位姿和深度的素材上，先把答案和中间关系算出来，让模型在事实约束下出题和解释。三是定向合成：观察不够的地方补，但生成出来的答案绝不直接当真值，必须另外作答或复核。
最终的监督微调集是 312,380 条样本。训练预算按能力需求分配，而不是看哪个数据源给的条数多。
第二套机制是评测驱动的数据流水线（Eval-Driven Data Harness）：评测不是结业成绩单，而是下一轮数据生产的起点。模型每错一次，就变成一条数据需求，从 31 个数据源、约 430 万条记录里找「推理逻辑相同、场景不同」的素材。发布文里举的例子是：模型老把「画面里更靠上」当成「空间里更高」，于是下一轮专门加了多层置物面、遮挡和透视变化的场景。
测试成绩
评测口径是 avg@4，每题独立作答四次取平均。对照基座是 Qwen3.6-35B-A3B，同尺寸、同架构，只是没做机器人方向的训练。
- Where2Place（东西能放在哪）：64.28，比基座高 9.30。
- ERQA（具身推理总测）：64.38，高 6.19；其中轨迹理解子类 68.18，高 12.12。
- SAT（空间关系）：89.33。
- 十项基准等权平均 65.29，十项全部高于基座。
基准清单不算主流：Where2Place、ERQA、SAT 都是又小又年轻、专为机器人问题设计的集合。做发布会好看，和旗舰模型横向比就不太够。
四道题，基座模型都翻车
发布文里拆了四道来自公开基准的题，比总分更能说明问题。
第一道就是那个瓶子。机械臂相机拍了两帧，瓶子在画面里整体上移，问相机朝哪边转。基座模型四次答对一次，Qwen3.6-27B 一次没对，Lion-ER 四次全对：相机往下低了头。
第二道选轨迹。画面里四条彩色路线，任务是把充电器从插线板上拔下来放到右边。两个基座模型都被那条长长的紫色弧线骗了——它漂亮地伸向目标，可根本碰不到充电器。Lion-ER 一条条排除，选了橙色：先够到，再搬运。
第三道是三张同一套房子的照片，蝴蝶挂画只出现在第三张。拍第一张时，挂画在拍摄者的哪一侧？两个基座都说「左边」，Lion-ER 说「后面」，这才是对的——得先在脑子里把户型拼出来。
第四道看进度。视频里机械臂要把寿司卷放进锅里，问「移动到寿司卷」这一步完成了没有。基座四次里有三次判成「已完成」，其实机械臂才刚开始靠近。
别高兴太早
所有数字都出自实验室自己的发布。目前没有第三方复现，而 avg@4 只有四次，分辨细微差距有点勉强。
更关键的是：它超过的是自己的基座，不是天花板。发布里没有和顶级闭源模型的直接对比，只在案例中带了一个同族的国产模型。
还有一点：回答关于场景的问题，和真正驱动一条机械臂，是两件不同的工程活。「模型知道把手在哪」和「机器人抓住了它」之间，隔着规划、标定和安全那一层，发布里没有。30 亿激活参数应付长程任务也谈不上宽裕。
好消息是权重真的开放了：Apache 2.0，BF16 Safetensors，Transformers、vLLM、SGLang 都能跑。这已经不是「看看演示」，而是「拿去试」。
我们自己的数字：一张图要多久、多少钱
看发布的时候顺手把自家库里的数字拉了一遍。「模型懂空间」这种话不配速度和价格，读起来就像通稿。
2026 年 10 月 6 日到 11 月 5 日这 30 天，neuralspace.pro 上一共跑了 16,867 次图片生成，其中 831 次以失败收场，占 4.9%。有意思的是这 831 次里有 640 次（差不多十次占八次）不是超时也不是故障，而是内容过滤被触发——模型干脆拒绝按描述作画。觉得「服务坏了」的时候，多半服务没事，是过滤器拦住了。
同期便宜模型的账：z-image 完成 187 次，中位 13 秒，95 分位 215 秒，平均成本每张 0.0040 美元（约 0.35 卢布）；nano-banana 695 次，中位 23 秒，p95 162 秒，0.0200 美元（1.75 卢布）；seedream-45 1,119 次，中位 59 秒，p95 169 秒，0.0325 美元（2.85 卢布）。价格差八倍，中位数差四到五倍——草稿和分镜这种活，交给小模型确实更划算。
怎么用
权重在 Hugging Face 上（cmriat/lion-ER-35B-A3B），模型卡说可以拿自己的场景继续微调：车间、仓库、实验台都行。想不折腾显卡先试试同类模型，可以进聊天、视频板块，生成图片在图片板块。