智元发布GO-1大模型

小哪吒

         智元推出通用具身基座大模型Genie Operator-1（GO-1），引发业界关注。该模型基于Vision-Language-Latent-Action（ViLLA）架构构建，相较于传统的Vision-Language-Action（VLA）架构，其通过预测Latent Action Tokens（隐式动作标记），有效弥合了图像-文本输入与机器人执行动作间的差距，在真实世界灵巧操作和长时任务上表现卓越。

         ViLLA架构由VLM（多模态大模型）与MoE（混合专家）组成。其中，VLM借助海量互联网图文数据，获得通用场景感知和语言理解能力；MoE中的Latent Planner（隐式规划器）和Action Expert（动作专家）则分别借助大量跨本体及人类操作数据、百万真机数据，获得通用动作理解与精细动作执行能力。在推理时，VLM、Latent Planner和Action Expert三者协同工作，先由VLM接收多模态信息进行感知和理解，再由Latent Planner预测动作标记进行规划，最后由Action Expert生成精细动作序列。

         实验显示，GO-1在五种不同复杂度任务上测试成功率大幅领先，平均成功率提高32%。如在“倒水”“清理桌面”“补充饮料”等任务中表现突出，且增加Latent Planner可提升12%的成功率。

         GO-1大模型具备人类视频学习、小样本快速泛化、一脑多形、持续进化等特点，可泛化应用到各类环境和物品中，支持部署到不同机器人本体，并能从实际执行数据中持续学习。它的推出，使具身智能向通用化、开放化、智能化方向快速迈进，让机器人从依赖特定任务的工具，向具备通用智能的自主体发展，在多领域发挥更大作用。