[分享]GO-1：智元机器人发布的通用具身基座大模型

GO1是什么？GO1是智元机器人发布的通用具身基座大模型，采用ViLLA架构，结合视觉、语言、隐式动作和执行能力。它通过学习人类视频和少量样本泛化新任务，支持多机器人形态并持续进化。GO1代表了具身智...

GO-1是什么？

GO-1是智元机器人发布的通用具身基座大模型，采用ViLLA架构，结合视觉、语言、隐式动作和执行能力。它通过学习人类视频和少量样本泛化新任务，支持多机器人形态并持续进化。GO-1代表了具身智能向通用化、智能化发展的新阶段，预示着机器人将具备更广泛的应用潜力。

GO-1的主要特点

• ViLLA架构：GO-1采用Vision-Language-Latent-Action (ViLLA)架构，通过预测隐式动作标记，连接图像-文本输入与机器人动作执行。

• 多模态学习能力：利用海量互联网图文数据，GO-1的VLM组件具备通用场景感知和语言理解能力。

• 隐式规划与动作执行：MoE中的Latent Planner和Action Expert分别负责动作理解和精细执行，增强了模型的泛化和执行能力。

• 人类视频学习：GO-1大模型可以结合互联网视频和真实人类示范进行学习，增强模型对人类行为的理解，更好地为人类服务。

• 小样本快速泛化：GO-1大模型具有强大的泛化能力，能够在极少数据甚至零样本下泛化到新场景、新任务，降低了具身模型的使用门槛，使得后训练成本非常低。

• 一脑多形：GO-1大模型是通用机器人策略模型，能够在不同机器人形态之间迁移，快速适配到不同本体，群体升智。

• 持续进化：GO-1大模型搭配智元一整套数据回流系统，可以从实际执行遇到的问题数据中持续进化学习，越用越聪明。

GO-1的模型表现

智元在五种不同复杂度的任务上测试 GO-1，结果显示，相比已有的最优模型，GO-1 的平均成功率提高了 32% (46% -> 78%)！ 尤其在 “倒水”、“清理桌面” 和 “补充饮料” 等任务上，表现尤为突出。