MOTIO 是由 SpatialtemporalAI 提出的智能体技能工程系统，相关论文已发布在 arXiv（编号 2610.33446，cs.RO 分类），共 24 页，含 11 页补充材料。该系统的目标是让普通人形机器人不必依赖任务专属遥操作或大规模机器人演示采集，也能获得可执行的移动操作能力。
按照论文描述，MOTIO 的输入包括普通人类动作视频、具有现实尺度与物理依据的 3D 资产、运动参考数据以及可复用的机器人技能。系统使用智能体进行上下文中的任务推理与接触推理，把上述材料组合成按阶段组织的机器人原生交互程序，再通过物理执行结果、多帧视觉反馈以及人工验证对这些程序进行迭代改进。与常见的从零采集演示的路线相比，这一流程强调的是“技能工程”：把已有知识、资产和基础控制接口组织成可运行、可修正的技能。
在实现层面，MOTIO 通过 Agentic 3D 获得具备公制尺度的产品与环境资产，同时复用现有的全身控制、逆运动学以及灵巧手接口来落实智能体生成的动作程序。也就是说，智能体并不直接替代底层控制器，而是负责规划与组装，具体动作由既有的机器人接口执行。
论文给出了量化结果。在 33 次带时间戳的首次批准记录中，智能体单轮的中位记录时间为 97.0 分钟，从提出请求到获得批准的中位时长为 2.80 小时。系统还在仿真侧引入布局与物体变化，为一个长时程的瓶子处理技能做准备，最终该技能在扫描得到的办公室环境中由 G1 人形机器人连续执行了 101.75 秒。在物理细化方面，螺丝拧紧任务的螺纹残余量降低了 76.0%，说明实机反馈确实被用于改进技能质量。
除直接执行外，智能体生成的技能还被用作监督信号，用于 BC/DAgger 蒸馏训练，最终合并成一个共享的参考策略。该策略在相同检查点下完成了 18 项仿真任务，且在推理阶段不需要专家介入。论文还提供了项目主页，便于查看演示与补充材料。