给机器人装“隐形眼睛”，0.9B参数搞定精细操作

想象一下：你让机器人“把最里面那个杯子拿出来”，它却伸手碰倒了外面的罐头——不是听不懂指令，是它看不见杯子和罐头的前后关系。这正是当下具身智能的尴尬：能看懂二维画面、听懂人话，却对真实世界的“空间”一知半解。

上海交大团队刚开源的Evo-Depth，用0.9B参数的轻量模型，让机器人仅凭普通摄像头的多视角画面，就学会了感知空间深度。它在仿真和真机测试里的精细操作成功率最高冲到95.4%，GPU显存只占3.2GB，每秒能跑12.3次推理——没加昂贵的3D传感器，却补上了最关键的空间短板。

它是怎么做到的？

不用3D传感器，从RGB里“抠”出深度

要让机器人懂空间，过去只有两条路：要么装激光雷达、深度摄像头这类3D传感器，成本高还容易受环境干扰；要么用大模型从二维图像里硬学3D信息，算力开销大到没法在真实机器人上部署。

Evo-Depth选了第三条路：给普通RGB图像装个“隐形深度解码器”——也就是它的核心模块IDEM（隐式深度编码模块）。你可以把这个模块想象成一群会“脑补”的画师：给它几张从不同角度拍的桌面照片，它不会直接画出每张图的深度，而是提炼出物体的相对位置、前后遮挡这些关键空间关系，打包成一套紧凑的“空间密码”。

这个模块只有0.13B参数，还提前用海量多视角图像做了预训练，相当于先学会了“看东西的立体逻辑”。它不用生成完整的3D点云或深度图，只输出最关键的空间特征，把计算量压缩到了极致。

给视觉语言模型“加个空间滤镜”

光有深度信息还不够，得让机器人的“大脑”——也就是视觉语言动作模型（VLA）——能用上这些信息。如果直接给VLA加个独立的深度分支，就像给电脑装了个不兼容的新硬件，不仅拖慢速度，还可能让原有的语义理解能力混乱。

Evo-Depth的解决办法是设计了一个轻量的空间增强模块（SEM）：它把IDEM生成的“空间密码”当成一种“调制信号”，就像给普通照片加了个能突出层次的滤镜，不改变原有视觉语言模型的语义理解能力，只是在处理信息时悄悄强化空间特征。比如看到“把书放在盒子上面”，模型会自动把“上面”这个抽象指令，和IDEM感知到的盒子与书的高度差对应起来。

为了让这两个模块和原有VLA模型配合默契，团队还用了渐进式对齐训练：先让SEM和VLA模型“熟悉”彼此的语言，再加入IDEM的深度信息，最后全模型联合微调。就像教两个人跳舞，先各自练熟动作，再合排，最后调整细节，避免了直接组队的混乱。

既要性能，也要能落地

实验室里的模型好用不算真的好用，能在真实机器人上跑起来才是关键。Evo-Depth在四个主流仿真基准测试里的表现都超过了传统VLA模型：Meta-World任务成功率84.4%，LIBERO更是达到95.4%；在真实机器人的精细操作测试里，平均成功率也冲到了90%。

更重要的是它的部署效率：0.9B的总参数只有很多大VLA模型的十分之一，GPU显存占用3.2GB，推理频率12.3Hz——这意味着它能在普通的机器人边缘计算设备上实时运行，不用依赖云端算力。

当然，它也有局限：目前对快速移动的动态物体，空间感知精度还会下降；对极端光照下的图像，深度提取的鲁棒性也有待提升。但相比其他方案，它已经找到了性能和落地成本的最佳平衡点。

过去我们总觉得，机器人要变聪明，就得堆参数、加硬件。但Evo-Depth给了另一种思路：与其追求“全知全能”，不如精准补上最关键的短板。

它就像给机器人装了一双“隐形的立体眼睛”，不用额外的硬件负担，却让机器人第一次真正“看懂”了三维世界的空间逻辑。轻量才是具身智能落地的密钥。未来的机器人，或许不用最强大的芯片，却能凭着对空间的精准感知，在真实世界里完成越来越多精细的任务。