“稚晖君”智元机器人发布首个通用具身基座大模型 GO-1，预告下一代产品

IT之家于3月10日报道，创业项目“稚晖君”发布了其首个通用具身基座模型——智元启元大模型（Genie Operator-1）。这一创新性的大模型采用了 Vision-Language-Latent-Action（ViLLA）架构，整合了多模态大模型（VLM）与混合专家（MoE）技术，使得其能够通过人类视频学习进行小样本快速泛化，大大降低了具身智能的使用门槛，并成功应用于多款智元机器人中。

到2024年底，智元将推出包含超过100万条轨迹及217个任务的高质量真实数据集——AgiBot World。基于该数据集，智元今天正式推出了Genie Operator-1（GO-1）通用具身基座大模型。

该模型创新性地提出了 Vision-Language-Latent-Action（ViLLA）架构，包含以下核心组件：

• VLM通过丰富的图文数据获取了通用的场景感知和语言理解能力。

• MoE中的隐式规划器（Latent Planner）通过大量的跨本体和人类操作视频数据培养出通用的动作理解能力。

• MoE中的动作专家（Action Expert）依靠百万条真实数据获取了高精度的动作执行能力。

使用ViLLA架构的智元机器人在五类不同复杂度的任务中测试GO-1，结果显示GO-1的成功率显著提升，平均成功率提高了32%（从46%增至78%），特别是在“Pour Water”（倒水）、“Table Bussing”（清理桌面）及“Restock Beverage”（补充饮料）三项任务中表现尤为出色。

此外，智元还验证了ViLLA架构中隐式规划器的作用，发现引入隐式规划器使成功率提升了12%（从66%增至78%）。

GO-1大模型利用人类及多种机器人的数据，能够泛化适用于各类环境和对象，迅速适应新任务并学习新技能。此外，它能够部署在不同的机器人本体上进行实际应用，同时在使用中不断进化。

这些特点可以总结为四个方面：

• 人类视频学习：GO-1利用互联网上的人类视频和实例进行学习，提升模型对人类行为的理解，从而更好地服务于人类。

• 小样本快速泛化：GO-1具备卓越的泛化能力，能够在极少或甚至零样本情况下适应新场景和任务，显著降低了使用门槛。

• 一脑多形：GO-1是一个通用的机器人策略模型，可在不同机器人形式间迁移，迅速适应不同本体，从而实现智能化提升。

• 持续进化：GO-1与智元的数据回流系统结合，能够不断从实际执行中遇到的问题中学习和进化，越来越智能。

智元机器人还预告了下一代的具身智能机器人产品，但尚未透露具体的发布时间。

IT之家附上相关论文链接：

https://agibot-world.com/blog/agibot_go1.pdf

广告声明：文中所含对外链接（如超链接、二维码、口令等）旨在提供更多信息，方便读者查阅，结果仅供参考。