機器人前瞻（公眾號：robot_pro）
作者?|? 江宇
編輯?|??漠影
機器人前瞻9月23日報道，智元機器人今日宣布全面開源其通用具身基座大模型GO-1（Genie Operator-1）。這是全球首個基于Vision-Language-Latent-Action (ViLLA)架構的具身智能模型，向全球開發者免費開放。
GO-1的核心創新是ViLLA架構。傳統的VLA（Vision-Language-Action）模型直接從圖像和文本預測動作，而ViLLA在兩者之間引入“隱式動作標記”（latent action tokens），相當于為機器人構建一個“中間語義層”。
其共有三層結構：
1、VLM多模態理解層（基于InternVL2.5-2B）：處理多視角圖像、語言指令和力覺信號。
2、Latent Planner隱式規劃器：利用latent tokens完成長時序規劃，解決復雜任務。
3、Action Expert動作專家：基于擴散模型輸出高頻率的低層次連續動作序列。
▲GO-1三階段訓練機制示意圖
這種設計使模型能先抽象理解“動作語義”，再轉化為具體操作，提高了跨場景與跨機器人平臺的泛化能力。
GO-1的訓練依托于AgiBot World Colosseo數據集。該數據集由100余臺雙臂人形機器人采集而成，包含超過100萬條操作軌跡，覆蓋217類任務、87項技能和106種場景，構建于家庭、零售、工業、餐飲、辦公五大環境中，總面積超過4000平方米，涉及對象超過3000種。
與以往主要集中在短時、單一任務的數據不同，該數據集突出長時序操作，軌跡平均時長在30至60秒之間，并包含“倒水”“折疊衣物”等高復雜度任務。
其采集過程采用human-in-the-loop機制，所有數據均經過人工校驗，甚至包括失敗數據也會被標注和保留，以提升模型對異常情況的魯棒性。
基于這一數據集訓練的策略在真實復雜任務上的表現，比Open X-Embodiment數據集提升約30%，在未見場景中也展現出顯著的泛化能力。
此外，GO-1在“倒水”“補貨”等需要指令理解與位置泛化的任務上，成功率明顯優于RDT和π0模型。在引入latent planner之后，其復雜任務的平均完成率額外提升了0.12分。
同時，該模型性能隨著數據規模呈現冪律擴展關系，驗證了持續提升的可能性。在相同任務下，人工校驗過的數據比未校驗數據帶來了0.18分的性能增益。
除了真實數據集上的實驗，GO-1也在仿真與真機評測中進行了驗證。在Genie Sim和Libero兩大主流仿真平臺上，模型均取得領先成績。在Genie G1真機實驗中，其表現同樣優于其他SOTA模型。
▲GenieSim仿真評測結果
▲Libero仿真評測結果
雖然GO-1基于AgiBot G1機器人數據預訓練，但在松靈機器人、Franka機械臂等平臺測試中也展現了良好的遷移效果。GIA模型采用通用數據接口（兼容LeRobot格式），便于開發者在不同硬件上進行微調與部署。
與此同時，智元機器人還推出了一站式開發平臺Genie Studio，覆蓋數據采集、管理、訓練、仿真、部署等全流程，內置GO-1基座模型和完整工具鏈，支持真機一鍵編譯與部署，旨在降低開發門檻并提升效率。
GitHub地址：//github.com/OpenDriveLab/AgiBot-World
Huggingface地址：//huggingface.co/agibot-world/GO-1
論文：//arxiv.org/abs/2503.06669
