先说为什么这条值得做具身之外的人也停下来看。今天搭一个能在真实世界干活的机器人，主流做法是"专家拼盘"：定位用一个模型，空间推理用一个，导航用一个，长程规划再用一个，最后把它们串成一条流水线。这套做法有两个老毛病——每个模型都要单独跑，算力开销叠加起来很贵；更麻烦的是误差会沿着链条传递，前一环估错了位置，后面的规划全建在错误的前提上，错误一级级放大。Vesta 想验证的是一个更激进的假设：能不能把这些能力都收进一个统一的基座模型，让一个通才顶替一整队专才。 Vesta 把定位、空间推理、导航、长程规划这四类能力合并进了单一的具身基座模型。对不熟具身这块的人，可以这样理解这几个词：定位是知道自己在哪、周围物体在哪，空间推理是理解"杯子在桌子左边、要绕过椅子"这类几何与关系，导航是据此移动，长程规划则是把一个多步骤的任务拆成有序的子动作。过去这是四套独立模型的活，Vesta 把它们压进了同一组参数里。 支撑这件事的关键有两块。第一块是数据：作者整理了一套规模庞大、覆盖多样的多模态语料，专门用来"诱导空间 grounding"——也就是让模型把语言里说的东西和物理空间里的实际位置对应起来，这是空间能力的根基。第二块是一个"简单的多模态记忆机制"（memory harness）。它要解决的是长时间跨度的推理：机器人执行一个长任务时，得记得几分钟前看到过什么、做过什么，才能据此决定下一步。这个记忆模块就是把跨时间的多模态信息保留下来供后续推理调用。值得注意的是，原文强调的是这套记忆机制"简单"，并未公开它的具体实现结构。 结果上有三个量化锚点，都来自原文。其一，在多个基准上，Vesta 平均超过各项单任务 SOTA 专家模型 20% 以上——也就是说一个通才在每条赛道上都没输给该赛道的最强专才。其二，更狠的对比是它超过"每个子任务都挑当前最强专家"拼成的集成 10% 以上；这个对照很关键，因为它排除了"通才只是赢在某一项特别强"的可能，对手是一个理论上各项都最优的拼盘。其三，在真正需要记忆与推理的真实机器人任务上，任务成功率提升超过 35%——记忆机制的价值正落在这一类任务上。 把它放进坐标系看：具身领域长期的张力就是"通用 vs 专精"。专家模型在单项上往往更容易调到极致，所以"多模型拼盘"一直是务实的工程默认选项。Vesta 这条工作的分量在于，它用量化结果挑战了这个默认——通才不仅追平专才，还在集成对照下反超，这等于在说"拆成专家"未必再是必选项。这和大模型领域"一个通用基座吃掉一堆专用小模型"的趋势是同一个方向，只是搬到了机器人这个误差更不可逆、对实时性和鲁棒性要求更高的场景。 诚实的保留也得说清楚。原文只给了相对提升的百分比（>20%、>10%、>35%），没有给出对比所用的具体基准名称、绝对分数，也没有公开模型参数量、训练语料的具体规模，以及记忆机制的内部结构——这些原文均未给出。是否开源、有无权重同样未提及。相对提升看着可观，但缺了绝对基线和基准明细，真实分量还得等论文正文与第三方复现来校准。对做具身、做机器人系统集成的人，这条的信号很明确：单一通用基座替代专家拼盘这条路，至少在作者自己的评测里跑通了，值得继续盯。