在具身智能领域，长任务不只是时长竞赛，而是对任务依赖、动作条件和环境变化的综合管理。极智嘉Gravity具身模型在早餐任务演示中，面对反复干扰仍自主完成任务，表现出决策速度、动作精度、应变灵活度与纠错自主度。
决策速度：MoT双脑架构与分层记忆 Gravity采用MoT双脑架构：AR Transformer负责理解指令和场景、解析任务目标并编排子任务；Diffusion Transformer负责预测未来状态、评估子目标并生成连续动作。Short-Long Term Sensor-Task Memory维持任务上下文，结合Stage/Progress状态输出，形成可感知、可校验、可动态调度的任务闭环。
动作精度：精密操作与可供性推理 Gravity会先调整面包片与槽口相对位姿再插入，减少错位和重复尝试；通过抓取可供性推理判断当前条件是否满足，并用非抓取操作主动调整目标构型。Robot Skill与专家先验机制将定位、抓取、插装、倾倒等封装为可组合技能，降低试错成本。
应变灵活度：4D WAM与在线重规划 Gravity 4D通过RGB、Pointmap和Scene Flow构成4D未来表征，WAM根据观测与任务上下文推演未来状态，IDM生成动作chunk，实现在线重规划。当杯子被遮挡时模型安全等待，杯子被移走时果断中止倾倒，减少无效执行。
纠错自主度：对齐物理状态与任务状态 面包片未正确插入时，系统重新估计位置并局部重规划；任务状态被改变时，Stage回溯至对应步骤再执行。Gravity通过evaluation Model与强化学习建立“部署—反馈—评估—再训练”闭环，将现场异常转化为模型能力。
这些能力可迁移至仓储打包、搬运、复核和巡检等任务，与WMS、WES、RMS协同，体现“深认知、快行动”的泛化与效率平衡。