具身智能玩汉诺塔？!

汉诺塔的规则很简单：把大小不同的圆盘从一根柱子移到另一根柱子，每次只能移动一个，大盘不能压在小盘上。让机械臂自主完成这项任务，需要连续感知圆盘位置、判断当前状态、规划下一步并准确执行。

在 WRC 2026 现场，具身汉诺塔使用单一模型完成七步连续操作，累计运行近 40 个小时。观众移动底座、改变圆盘状态或混合不同外观的组件后，机械臂仍能继续完成任务。

这套演示集中体现了模型的长程记忆、逻辑推理、高精度以及恢复能力。

长记忆：一个模型完成连续七步

三层汉诺塔至少需要七步才能完成。每移动一个圆盘，都会产生新的局面，并影响下一步操作。

模型需要持续掌握任务目标、圆盘分布和执行进度。一次操作结束后，新的状态会成为下一次判断的依据。

这里的记忆体现为对任务状态的连续理解：当前完成了哪些操作，圆盘分别在哪里，下一步应该移动哪一个。

高泛化：位置和形状改变也能快速调整

大多数机器人演示按固定轨迹跑，每个动作提前写死。位置变了、顺序变了，就得重新配置，再从第一步跑一遍。

这套设备可以被打断。现场你可以随时上手干预：

• 移动底座，改变圆盘和柱子的整体位置。

• 把已抓起的圆盘放回任意一柱，将任务切换到不同的中间状态。

• 混合不同外观的汉诺塔组件，改变圆盘的颜色和样式。

松手之后，它能重新认出当前局面，判断哪些步骤已经完成、下一步该动哪个盘，然后接着做。

支撑这一切的，是模型本身

支撑上面这些的，是仙工自研 VLA 模型。

VLA 即视觉—语言—动作模型，它读眼前的真实场景，输出一段连续决策。轨迹回放把动作原样播出，中途被打断就断了；VLA 每一刻根据眼前局面重新判断，所以能从任意一步接上。

判断的覆盖范围，直接体现模型的能力。三个盘子各自只能待在三根柱子之一，组合起来一共 27 种状态。这 27 种它全都认得：观众把塔拨成哪一种，它都能读出当前局面，判断下一步该动哪个盘。

做到这一点，只用了 60 条数据。现场很多人听到这个数字都不信。 60 条数据也只做了一件事——让机械臂认识这套设备的具体形态和操作流程。而观众拨出的局面，绝大多数不在那 60 条里。滑轨被推走、道具被混搭、塔被拨到任意一步，它依然接得住。

因为决定能力上限的是模型，不是数据。60 条只是起点，不是它的边界。

从三层汉诺塔走向更长流程

长程、高记忆、强推理——汉诺塔考的正是模型的记忆、泛化和恢复能力。只要模型足够强，它就能玩得足够好。

三层的答案你已经看到了。五层呢?

敬请期待。