058、具身大模型与CoT思维链：Chain-of-Thought在机器人任务规划中的应用昨晚调一个机械臂抓取任务，模型在“把螺丝刀递给对面的人”这个指令上卡了整整四十分钟。不是抓取失败，是它压根不知道该先松爪还是先转腕——明明训练时见过类似场景，但一到新环境就露馅。后来我在prompt里加了一行“请先描述你打算怎么完成这个任务，再输出动作序列”，问题当场解决。这就是CoT（Chain-of-Thought）在具身智能里的魔力，但它的坑，比你想的多得多。从一次失败的抓取说起先还原一下那个bug。我的输入是“把桌上的红色杯子放到蓝色托盘里”，模型直接输出了一串关节角度增量，看起来挺像回事。但执行到一半，机械臂在杯子正上方悬停，爪子张张合合三次，最后把杯子碰倒了。日志显示模型输出的动作序列里，第一步是“移动到杯子位置”，第二步是“下降”，第三步却是“松开爪子”——它把“放”这个动作的松爪时机提前了整整两个时间步。这不是网络结构的问题，是任务规划里缺了中间推理层。传统端到端VLA（Vision-Language-Action）模型把“感知-规划-控制”揉成一个黑盒，输入语言指令和图像，直接吐动作。但人类操作员拿到任务时，脑子里会先过一遍“我要先接近杯子，再调整姿态，然后夹紧，最后移动并释放”——这个内部的思考过程，就是CoT。CoT在具身任务里到底起什么作用别把CoT理解成“让模型多说几句话”。在机器人任务规划里，它本质上是把长程任务的时序依赖关系显式化。拿刚才那个例子，模型如果先输出“1. 移动到杯子正上方；2. 下降
