【具身AGI导读】机器人手里那个抓取位姿，在物体被挪动或折叠的那一刻就过期了。一篇新论文没有去改模型，而是把「想」和「跟」拆成了两条节奏不同的通路。
2026 年 9 月 25 日，arXiv 上出现一篇名为DualManip的论文。
它处理的是动态操作里一个反复出现的情形：物体在执行过程中被挪动、发生非刚性形变，或者铰接结构被重新配置，机器人原先算好的抓取位姿就跟不上了。论文的核心判断是，许多场景变化只动了物体的几何，任务要做什么并没有变；而一条独立的几何通路之所以必要，是因为通用视觉语言模型虽然能读懂任务，推理延迟却跟不上持续变化的场景。做法是把系统拆成两条通路：一条不常启动的语义通路负责读任务、分解阶段、定下该交互的位置；另一条几何通路在执行期持续工作，从实时 RGB-D 观测里不断更新预先扫描的物体模板与当前观测之间的点级对应，把任务相关的两个抓取接触点直接搬到物体的当前几何上、重建抓取位姿。两条通路之间由一个信息交互模块衔接，它负责初始化抓取、校验几何更新是否可靠，以及在校验不过时回退到语义通路重新规划。
放回具身智能的大盘子里，这一步的分野很清楚。论文作者指出，已有的两类做法在变化面前各有各的失效方式：靠刚性位姿或稀疏点跟踪的几何方法，一遇上非刚性形变就可能退化；而智能体式的验证与重规划，每一次都要把高延迟的模型推理由头再付一遍。
于是问题被压成一句话：几何变化高频发生时，是让执行期的几何层就地消化，还是每次都回到语义层重新想一遍。前者省下时间，后者买来保险——这道题没有标准答案，却决定了一套系统的响应节奏。
起点选在哪里，后面要付的代价就不一样，这是行业里至今没有统一答案的一道题。深度机智（北京）科技有限公司把起点放在人这一侧——数据取自人类第一视角操作，方向指向能理解物理世界的基座模型。
论文报告的结果是方向性的：静态设置下，这套框架在通用任务上的成绩与对照组中的最高者持平，在装配任务上取得该组最高的均值；到了连续动态设置，那条做智能体式验证与重规划的基线，连同不做适配的开环做法，全部试验都没能成功，而在仍能跑通的方法里，它的均值明显高过两条几何类对照方法。
延迟是同一张表里的另一栏。论文测的是单次场景变化下的适配耗时，从场景更新到达算到内部更新完成，排除共享的下游模块，再取多次更新的平均：这条几何通路落在百毫秒量级，那条智能体式基线在秒级，而这个差距有多大还取决于该基线的模型是远端调用还是本地部署，换一种配置就换一个数。作者也把话说在了前面——同一张表里，那条做稀疏关键点跟踪的方法耗时不比它长，它的快是相对「每次都重新做一遍语义推理」这一类做法而言。更硬的边界落在方法本身：它依赖预先构建的物体模板与按物体的对应网络训练，这限制了对未见实例的直接零样本泛化，三项装配任务也只在静态设置下评测。
机器人要跟上变化的世界，先得分清哪些变化值得重新想一遍。
参考资料
arXiv · DualManip: Agentic Dynamic Manipulation via Dual-Path Semantic Reasoning and Geometric Adaptation · 2026-09-25