会做煎饼果子、便利店自主上岗！智元GO‑3 Preview具身模型问世

智元推出GO‑3 Preview具身模型，实现机器人全链路规模化学习

　　10月29日，智元正式对外发布GO‑3 Preview具身基座模型。这套产品最大的特点，是把学习链路完整打通，覆盖预训练、后训练、部署后三个阶段，实现全链路的规模化学习，不再仅仅停留在实验室的演示效果。该模型已经拿下RoboDojo、RoboTwin、RoboColiseum三项行业权威评测榜单的榜首位置，官方计划会在2026年底完成全面开源。

　　很多人形机器人公开视频大多是提前调试好的演示动作，很难把能力迁移到陌生的真实任务当中。GO‑3 Preview采用自研WRAM世界推理行动模型架构，把任务推理、对未来环境变化的预判、机器人动作生成三者串联在一起。让机器人接收到人类指令之后，可以先理解目标，预判环境会发生哪些改变，再输出可以实际执行的机械动作。

预训练阶段：融合多元经验，强化任务迁移能力

　　在预训练环节，模型同时从数据、模型两个方向做能力拓展。数据层面，一方面引入大量人类第一视角拍摄的操作视频，让机器人学习物体交互与完整任务流程。另一方面引入机器人实际运行轨迹数据，建立起环境观测、机械动作和物理结果之间的对应关系。

　　模型层面依靠增强学习，把来源分散的各类经验整合，转化为具备迁移性的通用技能。经过预训练打磨之后，模型的跨任务适配能力得到明显提升。在家务操作、厨房作业、多机器人协同、灵巧精细操作场景下，面对从未见过的任务，不需要额外微调，就可以完成零样本、少样本执行。

　　遇到煎饼果子制作这类步骤繁多、对精细度要求很高的长流程任务，只需要少量示范，机器人就可以学会整套操作。乐高零件拼装同样可以完成，精准抓取零部件，找准对位位置，一步步完成插合组装，借助智能体编排，串联起整套复杂步骤。

后训练虚实结合，依托真机集群迭代实操能力

　　仅仅依靠预训练还不足以应对物理世界的各种变数，就和人类一样，机器人也需要在反复尝试中积累实操经验。针对后训练流程，智元搭建Genie Evolver分布式混合环境训练系统。这套系统同时调动上百台实体机器人设备，搭配物理仿真环境以及世界模型，虚实一体完成策略迭代。

　　经过持续在线迭代之后，可以看到直观的能力变化。桌面冰壶的测试当中，经过四小时不间断迭代优化，机器人表现已经超过参与测试的普通人平均水平。抽积木塔实验里，机器人能够连续取出五块积木，还可以维持整座积木塔保持稳定不坍塌。

　　部署后实现无人在环，真实工作场景持续自我进化

　　很多现有机器人模型，完成微调上线之后，能力就基本定型，很难在实际干活的过程里继续进步。GO‑3 Preview依靠Genie Master具身智能体框架，把任务判断、动作执行、结果反馈形成闭环，让机器人已经部署上岗之后，依旧可以自主迭代升级。

　　精灵G2机器人已经把这套框架带到真实便利店场景开展测试。整个过程不依靠人工反复示范调试，机器人自己定位任务失败的诱因，主动调整动作策略，沉淀作业经验，做到无人在环条件下持续进化。

　　整套任务完成的成功率，从上岗第一天的28.6%，经过五天的现场练习之后稳定达到85.7%。以货架小挂钩安装任务举例，机器人复盘失败记录，自行修改动作时序，把过往失败案例转化为行动参考。对比传统监督微调方式，单任务成功率提升17.7个百分点。传统微调模式很容易遇到能力天花板，而这套部署后学习机制，支持长期在线优化。

　　具身智能正在从博眼球的舞台演示，慢慢走向商超、家庭等真实作业环境。GO‑3 Preview这套全链路学习体系，也为机器人真正走进现实工作场景提供一套可参考的技术路径。