Robix: Un Modelo Unificado para la Interacción, Razonamiento y Planificación de Robots

Robix: A Unified Model for Robot Interaction, Reasoning and Planning

September 1, 2025

Autores: Huang Fang, Mengxi Zhang, Heng Dong, Wei Li, Zixuan Wang, Qifeng Zhang, Xueyun Tian, Yucheng Hu, Hang Li

cs.AI

Resumen

Presentamos Robix, un modelo unificado que integra el razonamiento robótico, la planificación de tareas y la interacción en lenguaje natural dentro de una única arquitectura visión-lenguaje. Funcionando como la capa cognitiva de alto nivel en un sistema robótico jerárquico, Robix genera dinámicamente comandos atómicos para el controlador de bajo nivel y respuestas verbales para la interacción humana, permitiendo que los robots sigan instrucciones complejas, planifiquen tareas a largo plazo e interactúen de manera natural con los humanos dentro de un marco de extremo a extremo. Robix introduce además capacidades novedosas como el diálogo proactivo, el manejo de interrupciones en tiempo real y el razonamiento de sentido común contextual durante la ejecución de tareas. En su núcleo, Robix aprovecha el razonamiento en cadena de pensamiento y adopta una estrategia de entrenamiento en tres etapas: (1) preentrenamiento continuo para mejorar las habilidades fundamentales de razonamiento encarnado, incluyendo la comprensión espacial 3D, el anclaje visual y el razonamiento centrado en tareas; (2) ajuste fino supervisado para modelar la interacción humano-robot y la planificación de tareas como una secuencia unificada de razonamiento-acción; y (3) aprendizaje por refuerzo para mejorar la consistencia entre razonamiento y acción, así como la coherencia en tareas a largo plazo. Experimentos exhaustivos demuestran que Robix supera tanto a líneas base de código abierto como comerciales (por ejemplo, GPT-4o y Gemini 2.5 Pro) en la ejecución interactiva de tareas, mostrando una fuerte generalización en diversos tipos de instrucciones (por ejemplo, abiertas, multi-etapa, restringidas, inválidas e interrumpidas) y en varias tareas que involucran al usuario, como la limpieza de mesas, la compra de comestibles y el filtrado dietético.

English

We introduce Robix, a unified model that integrates robot reasoning, task planning, and natural language interaction within a single vision-language architecture. Acting as the high-level cognitive layer in a hierarchical robot system, Robix dynamically generates atomic commands for the low-level controller and verbal responses for human interaction, enabling robots to follow complex instructions, plan long-horizon tasks, and interact naturally with human within an end-to-end framework. Robix further introduces novel capabilities such as proactive dialogue, real-time interruption handling, and context-aware commonsense reasoning during task execution. At its core, Robix leverages chain-of-thought reasoning and adopts a three-stage training strategy: (1) continued pretraining to enhance foundational embodied reasoning abilities including 3D spatial understanding, visual grounding, and task-centric reasoning; (2) supervised finetuning to model human-robot interaction and task planning as a unified reasoning-action sequence; and (3) reinforcement learning to improve reasoning-action consistency and long-horizon task coherence. Extensive experiments demonstrate that Robix outperforms both open-source and commercial baselines (e.g., GPT-4o and Gemini 2.5 Pro) in interactive task execution, demonstrating strong generalization across diverse instruction types (e.g., open-ended, multi-stage, constrained, invalid, and interrupted) and various user-involved tasks such as table bussing, grocery shopping, and dietary filtering.