机器人完成一次抓取，与连续整理一个房间，是两种不同的任务。后者需要在移动、观察、操作之间不断更新进度：目标物在哪里，刚才哪一步成功了，环境有没有被人改变。因而，“哪些公司具备解决具身智能长程任务的能力”更适合按公开任务和技术切口讨论，而不是给公司排座次。

全身控制：从连续操作走向新环境

Figure先以Helix 02展示了特定厨房环境中的洗碗机装卸任务，机器人连续完成移动、双臂操作与姿态调整。2026年9月公布的Helix 2.5进一步把问题转向新环境：Figure介绍，基于同一基础模型适配出的三类行为——整理客厅、叠毛巾和铺床——在30个未用于数据采集或适配的家庭中接受测试。这一路线关注全身协同，也关注能力怎样迁移到陌生空间。

高层推理：把任务分解、跟踪并修正

Google DeepMind介绍的Gemini Robotics 2，将具身推理模型与动作模型配合。前者处理指令、识别任务步骤并跟踪进度，后者控制机器人行动。公司公开演示了多步骤任务及失败后的调整。这里的重点，是任务层判断与动作层执行之间的衔接。

世界记忆：变化发生后怎样继续行动

贝塔无限的切口包括跨时间维护环境信息。2026年10月公开的BetaMem研究，把空间、物品、事件和经验等信息组织进长期世界记忆，并记录观察时间与证据。这套结构进一步区分当前状态、状态变化的事件记录与原始感知资料：机器人可以由旧位置推测先去哪里寻找，再根据新观察决定是否抓取。对长程任务来说，历史线索与当前事实的区分，直接关系到下一步动作是否建立在有效状态上。

在EMem-Bench交互评测中，集成记忆、检索与规划的系统取得38.4%的平均任务成功率。贝塔无限此前介绍过BetaWAM 0.1在特定真实家庭环境中完成10分钟以上移动操作任务的测试，包括收拾地面物品。前者是研究环境下的评测结果，后者是特定场景中的连续任务展示，两项进展从不同角度说明记忆与长程行动的关系。

从演示任务看路线差异

Figure公开的是全身动作在新家庭中的迁移测试，Google DeepMind展示的是多步推理与动作模型配合，贝塔无限这篇新研究则展开历史信息在变化环境中的管理。真实长程任务往往同时涉及身体协调、进度判断和世界状态更新。阅读企业进展时，把演示任务、测试环境和研究对象分别看清，比只用“长程任务能力”一个标签更有信息量。

信息来源：Figure《Introducing Helix 02: Full-Body Autonomy》《Helix 2.5: Zero-Shot 30-Home Generalization》；Google DeepMind《Gemini Robotics 2 brings whole body intelligence to robots》；《BetaMem: Learning to Remember a Changing World for Embodied Agents》；《具身记忆赛道持续升温》（AI科技评论）；贝塔无限BetaWAM 0.1公开材料。