机器人拉个拉链也要“动脑子”？北大等提出LaST-R1，让机器人先想再做，成功率狂飙至99.9%

机器人拉拉链也得“动脑子”？北大等提出 LaST-R1：先想后做，成功率飙至 99.9%

机器人拉拉链，究竟需不需要“思考”？

过去几年，从 OpenVLA 到 π0、π0.5，具身大模型已经能让机器人将指令与动作流畅地串联起来。

但一旦物体位置偏移几厘米，或者光照条件稍有变化，它们往往就会“当场卡壳”。

究其根本，是因为这些机器人大多在玩一种“视觉映射游戏”：看到什么，就直接输出什么动作。

它们只是记住了运动轨迹，却没有真正理解背后的物理逻辑。

现在，一种让机器人“先想清楚，再稳定执行”的全新范式诞生了。

由至简动力、北京大学、香港中文大学联合提出的 LaST-R1，首次将隐空间中的物理推理 嵌入了强化学习的闭环。

同时，作为 LaST₀ 基座模型在物理世界的后训练范式，LaST₀ 首创了面向机器人的隐空间物理思维链推理，并已被 ICML 2026 Spotlight（top 2.2%）接收。

它的表现有多惊人？

• 仿真满分级别：在 LIBERO benchmark 上，仅需 1 条轨迹预热，平均成功率便飙升至 99.9%；
• 真机性能飞跃：在真实抓取、旋转等复杂任务中，比当前最强 SOTA 模型 π0.5 高出 22.5%；
• 强化“物理推理”：即使物体、背景或光照发生变化，它依然稳如磐石，不再是单纯的动作复刻，而是真正学会了在隐空间中进行“物理思考”。

那么，这个让机器人长出“物理大脑”的 LaST-R1，究竟是如何炼成的？

那个能让环境反馈同时优化“怎么想”和“怎么动”的 LAPO 算法，又隐藏着哪些玄机？

我们顺着这篇论文，深入挖掘了这套能让机器人“深思熟虑”的后训练黑科技。

具身大模型的隐形天花板：只会模仿，不懂物理

尽管从 OpenVLA 到 π0.5，具身大模型已经实现了图像、语言与动作的初步对齐。

但在实际落地中，工业界发现了一个致命的“幻觉”：

能模仿，不代表能在物理世界中泛化。

这导致了极其糟糕的泛化能力。

打个比方，机器人可能记住了 100 种拉拉链的轨迹，但只要拉链的角度偏转 15 度，或者光照发生变化，单纯依赖“观察→动作”的端到端映射就会失效。

核心问题在于，现有的 VLA 模型缺少一个“思考” 的中间层——即让机器人在行动之前，对物理世界进行推理。

过去，学术界也曾尝试引入思维链（CoT）来解决推理问题。

但对于机器人操作而言，语言推理往往太慢且颗粒度太粗，你很难用文字精准描述“拉链咬合时的细微阻力反馈”。

LaST-R1 的核心突破，就是放弃了低效的语言 CoT，转而在隐空间（Latent Space）中构建物理推理链。

它不再让机器人看到图像就“闭眼”输出动作，而是先在隐性空间里建模场景的结构、物体的物理关系以及未来的动态变化。

然而，要让机器人学会这种“思考”，仅靠静态的模仿学习（SFT）是不够的。

目前的强化学习（RL）方法大多像是一个只看结果的严厉教练：它只告诉机器人动作成没成功（优化 Action Space），却无法指导机器人“刚才那下你是怎么想的”。

针对这一痛点，该团队提出的 LAPO（Latent-to-Action Policy Optimization）算法，正式将“思考过程”拉进了强化学习的优化闭环。

它让环境反馈不仅优化动作，也优化机器人行动前的“物理思考”。

不只练“手”更要修“脑”：如何让机器人强化模型的物理推理？

近日，至简动力、香港中文大学、北京大学计算机学院多媒体信息处理国家重点实验室，提出了一种面向机器人操作的自适应物理隐空间推理强化学习框架——

LaST-R1（Reinforcing Robotic Manipulation via Adaptive Physical Latent Reasoning）。

它希望通过强化学习后训练，让具身大模型不仅学会生成动作，也学会在行动前，进行面向物理世界的隐空间推理。

△ LaST-R1 概览。

(a) 不同于仅严格优化动作的 vanilla RL 基线方法，

(b) 我们的方法利用 LAPO 联合优化自适应 latent CoT 与物理执行过程。通过连接认知推理与控制，LaST-R1 实现了

(c) 更快的收敛速度、更高的仿真成功率，

以及 (d) 更强的真实世界泛化能力。

与以往主要优化 action space（动作空间，即机器人所有可执行指令的集合）的具身大模型 RL 不同，LaST-R1 的核心思想是：

机器人不应只从图像和指令直接预测下一步动作，而应先在 latent space（隐空间，可以理解为机器人大脑里的“隐性认知层”）中理解场景结构、物体关系和物理动态，再生成更稳定、精准的动作。

换句话说：

LaST-R1 不只优化机器人的“手”，也优化它的“脑”。

具体来看，LaST-R1 构建了一个面向 latent reasoning-before-acting 策略的强化学习后训练框架，核心由三步组成：

1、物理隐空间推理建模（Physical Latent Reasoning）

• 传统具身大模型往往直接从 observation 生成 action，动作前缺少可建模、可优化的物理推理过程。
• LaST-R1 在模型推理中引入 latent CoT：生成动作前，先在 latent space 中建模当前场景、物体关系和未来物理动态。
• 相比语言推理，latent reasoning 更适合承载连续、高频、难以语言化的物理信息。

2、隐空间推理与动作生成的联合强化优化（Latent-to-Action Policy Optimization）

• 传统具身大模型 RL 多数只优化动作结果：哪个 action 带来更高 reward，就强化哪个 action。
• LaST-R1 提出 LAPO，把环境奖励同时作用于 latent reasoning 和 action generation：成功轨迹不仅强化正确动作，也强化动作之前的“好推理”；失败轨迹不只修正动作结果，也反向调整内部物理推理空间。
• 让 reward 真正塑造动作背后的 reasoning process。

3、自适应 latent CoT 推理机制（Adaptive Latent CoT）

• 不同任务决策需要不同长度的思考。
• LaST-R1 引入 adaptive latent CoT：简单状态下，模型可以快速结束推理并执行；拉拉链、擦花瓶、拧瓶盖等复杂接触式操作，则分配更长 reasoning horizon。
• 在交互中学会：什么时候该多想，什么时候该立刻执行。

LaST-R1 改变的是具身大模型后训练的优化对象：从只优化动作，转向同时优化动作背后的物理推理。

研究团队在仿真和真机环境中都进行了系统验证。

在仿真 LIBERO benchmark 上，LaST-R1 仅依赖 1 条轨迹 完成 warm-up，随后通过在线 RL 优化，最终取得 99.9% 平均成功率，并相比 Action-Only+PPO 展现出更快收敛和更高最终性能。

在真机部署中，LaST-R1 仅使用 30 条轨迹 warm-up，再通过 RL 后训练将平均成功率从 52.5% 提升到 93.75%，显著超过使用 100 条专家轨迹 的 π0.5（71.25%）。

更重要的是，在真实扰动条件下，LaST-R1 仍保持较小性能下降，说明其学习到的不是单一场景中的动作轨迹，而是更可迁移的空间语义和物理动态理解。

上述结果意味着，具身大模型强化学习的重点正在发生变化——

机器人不再只是通过 RL 学会更熟练地执行动作，而是开始通过 RL 学会更合理地进行物理推理。

LaST-R1 的意义，在于它提出了一种新的具身大模型后训练范式，能够让环境反馈同时塑造机器人的“思考方式”和“行动方式”。

一旦隐空间推理从模仿学习的“静态脚本”进化为强化学习的“演进核心”，机器人便能摆脱对演示数据的刻板复现。

通过反复尝试和错误交互，它们逐步强化了模型的物理推理能力。

这或许标志着具身大模型从“模仿”迈向“适应”的关键转折。

LaST-R1 框架详解

△ LaST-R1 框架结构。

(a) LaST-R1 是一个统一模型，输入为视觉观测和语言指令。视觉基础模型生成带有物理语义约束的潜在目标（latent targets），用于在生成动作前引导潜在思维链（latent CoT）推理。

(b) 在 LAPO 强化学习后训练阶段，LaST-R1 以闭环方式与环境互动，并将潜在向量、动作和奖励存储到回放缓冲区（rollout buffer）中，以联合重塑潜在空间和动作空间。此外，模型通过基于预测概率学习生成 token，实现自适应推理，从而根据任务动态调整推理长度。

(c) 通过 LAPO 方法，LaST-R1 能在多样化任务中形成自适应推理长度，提升泛化能力和执行稳定性。

整个 LaST-R1 框架可概括为三个关键步骤：先推理、再优化、动态决定思考时长。

第一阶段：行动前的潜在空间推理（Latent Reasoning-before-Acting）

面对当前的视觉观测和语言指令，LaST-R1 不会直接输出动作，而是先生成一段潜在空间推理嵌入（latent reasoning embeddings），作为行动前的“潜在空间物理思考”，用于建模物体关系、未来状态和操作动态。

随后，模型基于这些潜在推理（latent reasoning）并行生成动作令牌（action tokens）。

这一步解决的核心问题是：如何让动作生成建立在物理推理之上。

第二阶段：LAPO 同时优化潜在空间（latent）与动作（action）

LaST-R1 的核心算法是 LAPO（潜在空间到动作策略优化，Latent-to-Action Policy Optimization）。

传统具身大模型的强化学习主要优化动作，而 LAPO 将潜在推理也纳入强化学习目标，让环境奖励同时塑造“如何思考”和“如何行动”。

论文中最关键的是 潜在层级比率代理（latent-level ratio surrogate）：

其中， 表示回放时旧策略生成的潜在序列， 表示当前策略重新生成的潜在序列， 控制潜在分布宽度。

直观理解：如果某条轨迹成功，LaST-R1 不仅会强化对应的动作，也会强化动作之前产生的“优质推理”。

接着，LAPO 将潜在向量和动作整合进统一的裁剪目标（clipped objective）中：

其中， 表示同时优化潜在推理和动作生成， 是优势估计，用于限制策略更新幅度。

最终，总训练目标为：

这意味着：LaST-R1 的强化学习后训练不仅优化机器人的动作结果，也在优化行动前的物理推理过程。

第三阶段：自适应潜在思维链（Adaptive Latent CoT）

不同任务需要的思考长度各不相同。

因此，LaST-R1 引入了自适应潜在思维链（Adaptive Latent CoT），通过 令牌让模型动态决定何时结束潜在推理并进入动作生成。

这旨在让机器人根据任务难度自适应分配推理预算。

换句话说，LaST-R1 不让机器人每步都固定思考相同时间，而是学会：在简单状态下快速执行，在复杂状态下多思考一步。

为了优化这个结束标识符令牌的自适应生成，训练目标需要额外加上 L_end。

实验结果分析

1、仿真实验：LIBERO 达到 99.9%

LaST-R1 在 LIBERO 基准测试中进行了系统评估，覆盖 Spatial、Object、Goal 和 Long 四个任务套件。实验在 一次性监督微调预热（one-shot SFT warm-up） 设置下进行，随后进入在线强化学习后训练。

结果显示，LaST-R1 在四个套件上分别达到 99.8%/100.0%/100.0%/99.8%，平均成功率达到 99.9%，超越了 OpenVLA-OFT、π0.5、SimpleVLA-RL 和 πRL 等强基线。

与仅优化动作空间的 Action-Only + PPO 相比，LaST-R1 + LAPO 收敛更快，最终成功率更高，这表明潜在推理与动作生成的联合优化能为强化学习提供更稳定的“认知缓冲区”，从而提升复杂长程操作能力。

2、真机实验：从 52.5% 提升至 93.75%

LaST-R1 在四个真实操作任务上进行了测试，覆盖单臂高精度插入、双臂协同、接触式擦拭和连续旋转等复杂物理交互。

为突出强化学习后训练效果，论文将其与 SOTA 模型 π0.5 对比：π0.5 使用 100 条专家轨迹进行监督微调，而 LaST-R1 仅使用 30 条轨迹进行预热，并通过强化学习后训练继续优化。

结果显示，LaST-R1 将真机平均成功率从预热后的 52.5% 提升到 93.75%，显著超过 π0.5 的 71.25%，说明其优势不仅存在于仿真环境，也能迁移到真实物理交互中，并形成更稳定的执行策略。

3、泛化实验：换物体、换背景、换光照，依然稳定

在 LIBERO 的分布外（OOD）设置中，研究团队采用 9 个已见任务进行在线强化学习，并保留 1 个未见任务做泛化测试。

结果显示，Action-Only + PPO 容易出现性能停滞甚至退化，而 LaST-R1 + LAPO 能在 OOD 任务上持续提升，这表明潜在推理能帮助模型学到更可迁移的空间语义和物理动态。

在真实世界中，论文进一步测试了未见物体、背景变化和光照条件三类扰动。

与 SFT π0.5 相比，LaST-R1 在这些变化下保持更小的性能下降，说明它并非简单记忆训练场景中的动作轨迹，而是形成了更鲁棒的物理推理与动作生成能力。

结语：具身大模型不仅要会行动，更要学会“思考推理”

LaST-R1 的意义，不仅在于将 LIBERO 平均成功率推至 99.9%，也不仅在于让真机任务成功率提升到 93.75%。

更重要的是，它提出了一种全新的具身大模型后训练范式：强化学习不应只优化机器人的动作，也应优化动作背后的物理推理过程。

过去，我们更关注机器人能否生成正确的动作。

现在，LaST-R1 在此基础上进一步追问：机器人能否在行动前进行正确的物理推理？

通过 LAPO，环境奖励可以直接塑造潜在推理空间；

通过自适应潜在思维链，机器人能根据任务难度动态调整思考长度。

这意味着，机器人不再只是复现演示数据中的动作轨迹，而是在交互中逐步强化模型的物理推理。

从这个角度看，LaST-R1 让具身大模型的强化学习从“看见就动”走向“先想明白，再稳定行动”。

当具身大模型开始在潜在空间中思考时，机器人距离真正的自主操作，也许又近了一步。

论文链接：https://arxiv.org/abs/2604.28192
项目主页：https://siriyep.github.io/last-r1/
代码链接：https://github.com/CHEN-H01/LaST-R1