一句话看懂：Hugging Face Papers 收录的一篇论文摘要提出 REA 运行时，把负责高层推理的基础模型、负责路由的具身智能体和快速反应策略放进同一系统，按“运行中的策略不等大脑”的规则协同。它试图解决具身智能长期存在的快慢分层协调难题。
事件核心：发生了什么
论文摘要显示，作者观察到基础模型在高层推理上越来越可靠，但作为细粒度控制器仍太慢、成本太高；VLA 和全身控制器等快速策略反射效率更高，却泛化不足。常见做法是用 agentic loop 调用 VLA，或者让 VLA 在出错时回问 agent，前者会拖住快速执行，后者容易反复触发兜底或漏掉静默失败。
REA 的方案是三层分工：System 2 负责审慎推理，System 1 是具身路由器，System 0 是反应式策略。它用路由记忆预先存下每个策略的实测成功率，用边界触发的判断门决定何时咨询大脑，并以共享预算的升级阶梯做有界恢复。摘要给出的评测是：60 个 LIBERO-Pro 任务、3000 个测试回合，成功率 95.9%，高于同策略池最佳单智能体基线 94.7%，控制步数减少 25%、控制时间减少 17%；另有 100 回合 RoboTwin 2.0 研究，VLA 策略成功率 84%，VLA+代码 86%，最强单 VLA 基线 MEDex 为 80%。
为什么重要
具身智能的竞争不只在“模型更强”，也在系统怎么组织快慢两类模型。REA 的价值在于把异步协调做成运行时规则，并让学习型策略和程序化策略共处同一框架，降低多模型拼接的工程复杂度。对行业而言，这类研究会影响机器人基础模型的落地路线：是继续堆单一 VLA，还是走向分层、可路由的组合架构。
对用户/开发者/创作者的影响
对开发者，REA 提示了一条工程思路：不要让每个失败点都同步调用大模型，而是提前记录策略成功率、在边界处触发判断，并用预算限制恢复次数，这有助于控制延迟和算力开销。对关注 AI 应用和机器人产品的团队，摘要中 Unitree G1 人形机器人和 BEHAVIOR-1K 的迁移结果值得跟踪，但这是论文层面的实验，不等于已发布可用的 API 或产品。目前公开信息仅基于摘要，全文实验和同行评审状态尚未核验。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是 REA 是否开源代码或提供可复现的运行时组件；二是路由记忆和判断门在更多真实机器人任务上的稳定性，尤其是静默失败场景；三是分层运行时会不会被主流 VLA 或机器人基础模型厂商采纳，形成新的工程标准。
