2026 年 11 月 13 日,深圳具身智能公司星尘智能发布多机协同模型框架 CoMind(全称 CoMind-Be My Eye,意为 "做我的眼睛"),定位为业界首个主动共享、精选任务上下文的多机协同模型框架。这套范式的核心逻辑是:协作不是把看到的一切都共享给队友,而是由每台机器人主动筛选、压缩真正影响决策的关键信息再双向传递,接收方结合自身画面、任务指令和身体状态送入 VLA 模型直接生成连续动作。相比中心化调度层层等指令、或无筛选一键转发原始画面两种老路,CoMind 采用去中心化主动共享加精选信息的两阶段方案,并通过 "动作级反向传播" 用队友动作结果反过来训练信息发送方。在隔墙跟随拿笔测试中,互不可见条件下任务成功率从 0% 跃升至 100%;盲盒置物测试准确率从 38.9% 提升到 88.9%,信息传输量减少约 80%。目前六项真机测试在家庭与实验场景跑通,距离产线连续多机协作和大规模动态自组织仍有距离,下一步计划从 "共享信息" 延伸到 "共享意图"。
一、发布背景与框架定位
| 项目 | 内容 |
|---|---|
| 发布方 | 星尘智能(Astribot,深圳具身智能公司) |
| 发布时间 | 2026 年 11 月 13 日 |
| 框架名称 | CoMind(CoMind-Be My Eye,"做我的眼睛") |
| 框架类型 | 多机协同模型框架 |
| 官方定位 | 主动共享、精选任务上下文的多机协同模型框架 |
| 前身能力 | 2026 年 7 月第二代基座模型 Lumo-2 已把多机器人、人机协作列入能力范围,CoMind 将这条能力线做深一层 |
| 解决问题 | 多机配合中的视野遮挡、信息传递、决策归属和带宽占用 |
| 后续方向 | 从共享信息走向共享意图,预判队友意图、主动补位 |
二、多机协作卡在哪些技术难关
- 决策权问题:中心化调度像现场总指挥,宏观分工清晰,但双人抬桌、叠被这类毫秒级配合中,每次微调都要上报、等待、再执行,连贯动作被切成停顿。
- 信息稀薄问题:去中心化看似灵活,但可见队友时尚能配合,一旦遮挡或背对,协作立刻中断;即便通信,多是 "我在动" 这类与具体动作脱节的文本,缺乏支撑关键动作的深层信息。
- 带宽拥堵问题:机器人每秒产生大量视野画面,不加筛选全部转发会挤占网络,队友也会被无用数据淹没。
这三件事缠在一起:谁来决策、传什么信息、怎么用有限带宽把信息传好。
三、CoMind 两大核心特点
| 特点 | 具体含义 | 对应传统痛点 |
|---|---|---|
| 去中心化主动共享 | 不设总指挥,每台机器人都能主动把关键信息发给队友,也能接收队友信息,实时互通任务上下文 | 告别 "等领导派活" 的被动、中心化调度 |
| 精选信息 | 把队友所需、影响决策的信息筛选压缩后再共享,不传原始画面和无关通用特征 | 拒绝 "一键转发" 带来的噪声和带宽拥堵 |
四、两阶段工作流程
阶段一:任务导向的上下文压缩(挑重点、递纸条)
- 发送方结合当前任务指令,从多路相机画面中优先挑出与当前操作直接相关的内容。
- 示例:盲盒任务里真正关键的只是盒子 / 盘子的颜色,其余无关画面一律不发。
- 挑出的内容压缩成一小组表征传给队友。
- 训练要求一:预判稍后画面会怎么变,留下对下一步动作有价值的线索。
- 训练要求二:标清任务进展阶段,是刚刚开始还是即将完成,方便队友判断配合节奏。
阶段二:双向上下文优化与协作策略学习(看懂纸条、直接动手)
- 接收方把队友传来的浓缩信息,与自己看到的画面、任务指令、自身姿态状态一起输入视觉 — 语言 — 动作(VLA)模型。
- 由 VLA 模型直接输出连续动作,全程不需要中心电脑统一下命令。
- 两台机器使用对称处理结构,互为眼睛和外脑,双向传递。
五、动作级反向传播:关键训练设计
- 评判标准转换:不看信息传得多漂亮,只看队友动作究竟做对没有,用最终操作结果反过来训练发送方。
- 回传路径:以盲盒竞猜为例,看不见目标的机器人伸错位置后,错误与正确动作之间的差距沿网络回传给负责传信息的队友,提醒其目标特征不够突出。
- 迭代结果:经过一轮轮训练,发送方学会优先传递最能帮队友把动作做对的信息。
- 设计意义:把信息共享和最终操作结果绑定,让每一比特数据直接服务协作决策,而不是停留在把环境看清楚。
六、六项真机测试场景与难点
| 测试场景 | 协作难点 | CoMind 应对方式 |
|---|---|---|
| 组装纸箱 | 高频物理接触、动作高度耦合,翻转中箱体频繁遮挡视线 | 实时掌握双方操作状态和进度,视野遮挡时借队友眼睛,连续完成组装与搬运 |
| 叠被收纳 | 柔性物体持续形变,翻折、搬动时边缘和形状一直在变,伴随动态张力 | 精选视觉上下文,在大幅形变干扰中实时对齐动作意图,自主同步每一步 |
| 冰箱补货 | 关键信息分散在两边视野,单机拼不出全貌 | 实时补齐全局信息,两台机器无缝递送接力,减少重复往返 |
| 组装哑铃片 | 动态相对位置看不清,穿片方难以同时看清杆和孔的位置关系 | 毫秒级补全队友视角的空间关系,实时调整姿态,锁定对准精度 |
| 盲盒置物 | 零可见信息下协作,盒子位置随机变换,一侧可见、另一侧完全遮挡 | 共享有视野一侧的关键视觉特征(如盘子颜色),让遮挡方精准命中 |
| 隔墙跟随拿笔 | 互不可见,还要交替担任主动与跟随角色接力完成 | 实时共享目标颜色和出手时机,跟随对方节奏完成接力 |
七、极限遮挡测试关键数据
| 对照项 | 准确率 / 成功率 | 信息传输量 |
|---|---|---|
| 什么都不传(盲盒置物基线) | 38.9% | — |
| 普通上下文传输方案 | 72.2% | — |
| CoMind | 88.9% | 约为转发完整画面的五分之一(token 量) |
| 盲盒置物整体改善 | 准确率 38.9%→88.9%,信息传输量减少约 80% | — |
| 隔墙跟随拿笔 | 成功率 0%→100%(互不可见、角色交替) | — |
八、在星尘全栈体系中的位置
| 层级 | 组成 | 作用 |
|---|---|---|
| 上层 AI 模型 | Lumo 系列 VLA 基座模型(Lumo-1 显式推理;Lumo-2 预判动作后世界变化) | 负责思考决策、语义理解、指令拆解与场景泛化 |
| 中间具身 OS | 机器人操作系统层 | 调度动作、连接模型与本体 |
| 底层绳驱本体 | 绳索驱动的柔性机械身体 | 提供灵活、有柔性的物理操作能力 |
CoMind 不是孤立算法,而是长在这套三级全栈体系上的多机协同环节;公司已公开技术报告和无剪辑真机视频供外界核验。
九、行业路线对照与落地边界
公开资料梳理的多机路线
- 中心化路线:亚马逊 DeepFleet、智元 LinkBots 等。
- 非中心化、信息有限方案:斯坦福 CHORUS、Figure Helix-02、哥伦比亚大学等机构探索。
- CoMind 所属类型:自主决策、信息充分的去中心化主动共享方案。
落地价值
- 硬件侧:不必为重任务堆一台巨型专用机器,几台普通机器按需协同、闲时各干各的,同样硬件覆盖更多场景。
- 通信侧:只传关键信息,带宽占用约砍去八成,对网络和设备要求更友好。
- 任务上限:多机互相充当外脑,承接大件组装、长程接力这类单机盲区任务。
当前边界
- 六项测试在家庭与实验场景跑通,离产线连续多机协作、成百上千台机器在动态环境中自组织还有距离。
- 技术报告中的成功率不等于商业交付中的稳定率。
- 下一步从共享信息到共享意图,仍需后续模型迭代和真机验证。
十、总结
CoMind 把机器人协作从 "会配合" 往前推到 "会沟通":去中心化主动决策解决谁来指挥,精选上下文压缩解决传什么、传多少,动作级反向传播保证传的信息真正服务动作结果。隔墙拿笔 0% 到 100%、盲盒置物 38.9% 到 88.9% 且带宽降八成,说明在遮挡和信息不对称场景下,信息与任务的关联度比信息总量更决定协作质量。对具身智能行业而言,单机智能触顶后,多机协同是扩大任务上限的关键方向;CoMind 选择跨视野共享感知这个具体切口做深,后续能否在真实工业、仓储和家庭场景稳定落地,还要看规模化部署数据。
【相关 FAQ】
问题 1:星尘智能 CoMind 是什么,全称和发布时间是什么?
回答 1:CoMind 全称 CoMind-Be My Eye("做我的眼睛"),是星尘智能 2026 年 11 月 13 日发布的多机协同模型框架,定位为主动共享、精选任务上下文的多机协同范式,解决多机器人配合中的视野遮挡、信息传递和决策归属问题。
问题 2:CoMind 的两大核心特点是什么,和中心化调度、一键转发有什么区别?
回答 2:两大特点一是去中心化主动共享,不设总指挥,每台机器人主动互通任务上下文;二是精选信息,把影响决策的内容筛选压缩后再共享。它区别于中心化层层等指令的被动调度,也区别于不加筛选转发原始画面、造成带宽拥堵和噪声的做法。
问题 3:CoMind 具体怎么工作,两阶段流程分别做什么?
回答 3:第一阶段是任务导向的上下文压缩,发送方从多路画面中挑出与当前操作直接相关的内容,压缩成表征传给队友,并预判画面变化、标注任务进度;第二阶段是双向上下文优化与协作策略学习,接收方把队友信息与自身画面、指令、姿态状态一起送入 VLA 模型,直接输出连续动作,双方对称互传。
问题 4:CoMind 的动作级反向传播是什么,为什么能提升多机协同成功率?
回答 4:动作级反向传播是用队友动作结果反过来训练发送方:不看信息描述得多清楚,只看队友动作做对没有;伸错位置的偏差回传给传信息的一方,提醒其目标特征不够突出。经过迭代,发送方优先传递最能帮队友做对动作的信息,使每一比特数据都服务协作决策。
问题 5:CoMind 真机测试成绩如何,信息传输量下降多少?
回答 5:六项真机测试覆盖组装纸箱、叠被、冰箱补货、组装哑铃片、盲盒置物、隔墙跟随拿笔;隔墙互不可见拿笔成功率从 0% 升到 100%,盲盒置物准确率从 38.9% 升到 88.9%,信息传输量减少约 80%,传输 token 量约为转发完整画面的五分之一;目前这些结果来自家庭与实验场景,不等同产线商业稳定率。
【参考资料】
[2026-11-16](产业观察:星尘智能发布 CoMind,机器人实现共享视野)OFweek 机器人网
[2026-11-14](让机器人协作干活:星尘智能发布多机协同框架 CoMind)新京报
[2026-11-13](星尘智能发布 CoMind 多机协同范式,隔墙跟随拿笔成功率升至 100%)搜狐 / 观点网
[2026-11-13](科幻成真 机器人「共享视野」超能力:星尘智能发布多机协同新范式 CoMind)CSDN DAMO 开发者矩阵
[2026-11-13](星尘智能发布 CoMind 框架,探索机器人主动协同)42 号电波
[2026-11-10](资本退潮、GPT-6 疾进时,谁在替具身智能修路?)36 氪
[2026-07-15](机器人也开始修炼见闻色,星尘智能发布具身基础模型 Lumo-2,让动作更快更准)凤凰网科技
[2026-06-03](深圳具身公司星尘智能完成超 10 亿 B 轮融资,估值破百亿)36 氪
【免责声明】
- 本文技术描述来自公司发布、公开媒体报道及技术报告转述整理,框架结构、模型名称、测试场景和指标以星尘智能官方后续公开资料为准。
- 文中成功率、准确率和带宽下降比例均为特定实验场景下的测试结果,受硬件配置、环境遮挡、任务难度、模型版本和训练数据影响,不代表任意场景下的交付表现。
- 多机协同路线对照(中心化、非中心化等分类及对应企业 / 机构)为公开资料梳理,仅用于行业背景说明,不构成对相关方案优劣或商业实力的评价。
- 从共享信息到共享意图属于公司后续规划方向,存在技术可行性、迭代节奏和落地场景的不确定性,本文不构成产品发布承诺。
- 本文仅为公开资讯与技术方案梳理,不构成投资建议;涉及机器人采购、部署和合作决策,请以官方技术文档、实测验证和商务条款为准。
本文来自作者[荒熵推演]投稿,不代表新新网立场,如若转载,请注明出处:https://www.xxcmw.com/jqr/202611/3671.html
评论列表(4条)
我是新新网的签约作者“荒熵推演”!
希望本篇文章《从单机会干活到组队打配合星尘智能发布 CoMind 多机协同范式,主动共享精选任务上下文》能对你有所帮助!
本站[新新网]内容主要涵盖:互联网行业的追踪与探索
本文概览:2026 年 11 月 13 日,深圳具身智能公司星尘智能发布多机协同模型框架 CoMind(全称 CoMind-Be My Eye,意为 "做我的眼睛"),定