编著｜Panda

上个月，Physical Intelligence 发布了新一代基础模子 π0.7，激勉了一轮对具身智能泛化才能的究诘上涨。而就在今天，北京的星海图（Galaxea）又为宇宙带来了 G0.5。

视频贯串：https://mp.weixin.qq.com/s/nTJCsLfKtMglgicr_oqKbA

在横跨仿真、真机、零样本、长程任务的 7 个零丁基准上，G0.5 全面超越 π0.5，并在其中多项上获得 SOTA。

这不是靠堆数据堆出来的收获。G0.5 的底层逻辑是对现时 VLA 模子主流架构作念出了一个根人道的判断，并用实验数据讲解了这个判断是对的。

7 大基准，全面领跑

G0.5 的收获袒护了 VLA 领域最主流的评测维度，数据如下：

这 7 项评测范围粗俗，从不同角度检测了一个通用 VLA 模子信得过需要具备的才能：开箱即用的零样本转移、跨骨子微调着力、仿真环境下的指示奴隶以及施行宇宙中的长程复杂操作。

要在这些维度上同期保持起原，单点性能优化是作念不到的。

零样本转移才能（DROID）

DROID 是面前范围最大的实在机器东谈主操作数据集之一，包含来自多个实验室、多种场景的 Franka 机械臂演示数据。

G0.5 在裕如莫得针对该平台进行任何微调的情况下，径直部署于 10 项桌面操作任务，平均胜仗率达到了 82.5%，卓越 π0.5-DROID（57.5%）整整 25 个百分点。

尤其在需要多模范律例实行的任务「将积木放入抽屉并关闭抽屉」上，MolmoAct2 裕如失败，而 G0.5 卓越半数历练胜仗完成。零样本才能径直响应的是预教师阶段千里淀下来的可转移操作先验，而不是针对某一平台的过拟合。

实在机器东谈主微调（R1 Lite / R1 Pro）

在星海图自研平台上，G0.5 和 π0.5、GR00T-N1.7 使用调换的教师数据、调换的狡计预算（各 16 张 H20 GPU），分袂完成折叠毛巾、折叠纸箱、铅笔盒整理和箱子搬运堆叠等 6 项任务的评测。这些任务王人不是「抓取摈弃」级别的纯粹操作，比如折叠毛巾要求机器东谈主从篮子里取出一条变形毛巾，通过双臂合营将其张开、铺平、按预定时局折好，再放入指定区域，任何一步的抓持力度或拉伸张力出现偏差，王人会导致通盘这个词经过为山止篑。

同等要求下，G0.5 的平均胜仗率 76.7%，比 π0.5 的 53.0% 跨越 23 个百分点，比 GR00T-N1.7 的 24.4% 跨越一倍多余。

仿真基准（LIBERO / RoboTwin 2.0 / SimplerEnv-Bridge）

三项仿真测试袒护了单臂指示奴隶（LIBERO）、双臂合营操作（RoboTwin 2.0）和跨数据集转移（SimplerEnv-Bridge）三类场景。

G0.5 在 LIBERO 上以 98.9% 的收获位居现时已公开收尾的首位，尤其在 LIBERO-Long（长模范列任务子集）上以 98.6% 的收获超越通盘对比模子。这恰正是对长程推理才能最径直的熟习。

傍边滑动检讨

RoboTwin 2.0 包含卓越 50 个双臂任务，G0.5 以 93.3% 的均值刷新了该基准的最高记录。

明陞M88体育中国官网

G0.5 在 SimplerEnv-Bridge 上也达到 87.3% 的平均收获，卓越其它通盘模子。

长程搬动操作（BEHAVIOR-1K）

这是 7 项评测里门槛最高的一项，亦然最能证明问题的一项。

BEHAVIOR-1K 挑战赛由 50 个完好家庭场景任务组成，每段演示平均时长 6.6 分钟，最长达 14 分钟，机器东谈主需要放胆 R1 Pro 在房间模范的空间里导航、取物、使用电器、整理物品，其中任何一个中间模范的失败王人会影响后续通盘程度。

G0.5 使用单个 checkpoint、仅经过 1 个后教师 epoch，Task Success Score 便达到 0.2904，不仅超越了 π0.5 教师 4 个 epoch 的收获（0.2626），也超越了使用 4 个 checkpoint 集成的赛事冠军（0.2605）。教师增多至 4 个 epoch 时，G0.5 的得分普及至 0.3136。在 50 个任务中，小九体育世界杯中国官网首页G0.5 在 29 个上起原 π0.5，π0.5 只在 15 个上起原 G0.5。

1 个 epoch 赢过 4 个 epoch，单模子赢过集成有筹算。这组数字径直讲解互异来自预教师底座的质地，而非微调政策。

架构革命，而非数据堆叠

G0.5 能获得这些收获，根源在于星海图对现时 VLA 主流架构作念出的一个判断：问题不在于数据量，而在于 VLM 被放错了位置。

畴昔几年，VLA 领域的主流作念法是「VLM 看成编码器」：让一个预教师好的视觉-言语模子厚爱汇注图像和言语，然后把它的输出看成要求信号，传递给另一个零丁教师的「动作大家」（不息是扩散模子或流匹配网罗）来生成最终放胆指示。

这种单干有昭着的着力上风。但也有代价：VLM 在预教师中积聚的想维链（CoT）、凹凸体裁习、教唆指示等中枢才能，只可经过这谈压缩瓶颈转折影响最终动作，即 VLM 成了一个要求编码器，而非信得过的决策者。

G0.5 的采选是透澈去掉这谈瓶颈，让归拢套模子权重、在归拢条自追忆序列里，同期完成推理和动作生成。

图像、言语、推理行踪、物理动作，在 G0.5 里一谈被振荡为分享词汇表中的 token，经过归拢个 Transformer 解码器、归拢次前向传播生成。这么一来，推理就成了动作的组成部分。

为了让这套自追忆道路在基础模子范围上保持实用，G0.5 引入了三项要害遐想。

跨骨子动作编解码器（ActionCodec）：将预教师阶段涵盖的 18 种机器东谈主骨子数据赈济映射到 27 维动作空间，每类畅通部件（左臂、右臂、躯干）对应结构化的动作 token。更病笃的是，推理时只生成现时需要搬动的部件的 token，买球投注平台静止要津径直跳过。这种疏淡磋商机制，让自追忆 VLA 在高频放胆场景下信得过变得可行。

预教师数据中包含的骨子。左侧饼图总结了预教师数据辘集不同骨子类别的相对比例。

原生想维链（Native CoT）：模子在生成动作之前，先在归拢条序列里输出四类推理 token：原子子任务文本、筹算对象规模框、二维结尾实行器轨迹、动作教唆。这些推理 token 与动作 token 受归拢个交叉熵亏空函数管制。实验泄漏，在「面包放入空气炸锅」任务上开启原生 CoT 后，胜仗率普及了 30 个百分点；在「培根煎制」上普及 35 个百分点 —— 这两个任务王人是模子从未见过的分散外场景。

G0.5 在 R1 Lite 上零样本实行「把毛巾放进洗手池」：在归拢自追忆流中，模子先生成想考（子任务、筹算物体框），再输转移作 token，并从每一帧不雅测闭环重筹算。

视觉记挂模块：在 Vision Transformer 的每四层中插入领会的时空属眼光模块，将多秒历史帧的视觉信息轻量级地融入现时决策。教师时特等加入 30% 的历史帧巧合丢弃机制，退避过拟合的同期，让模子学会在历史信息缺失机依然持重运行。这一遐想对 BEHAVIOR-1K 里搬动箱子到储物间、整理卧室等需要反复穿越空间的长程任务恶果尤为昭着。

秉公功令：用当然言语径直放胆机器东谈主行动

赈济自追忆架构还带来了另一个才能：通过改写当然言语教唆，径直改换机器东谈主的动作立场和实行细节，无需重新教师。这是此前在 VLA 领域基本莫得被系统考据过的新才能！

面前，这套才能在 G0.5 上得到了两个层面的系统性考据。

第一层：想维链对动作的增益随任务长度放大。

星海图团队在单个预教师 checkpoint 上，通过切换推理格局（开启/关闭 CoT）和动作解码表情（自追忆 AR/流匹配 FM），作念了一组严格放胆的消融实验。

收尾泄漏，在单阶段的 Pick-and-Place 任务上，开启 CoT 对自追忆格局的胜仗率普及惟一 3.1 个百分点。但跟着任务阶段增多，这个差距急剧拉大：在五阶段的「面包放入空气炸锅」任务（入场→开门→抓面包→放入→关门）上，开启 CoT 带来 30 个百分点的普及；在不异是五阶段的「培根煎制」任务上，普及达到 35 个百分点。

这证明想维链的价值不在于匡助模子「想通晓纯粹的事」，而在于通过逐阶段的子任务领会与筹算定位，退避长程任务里的舛讹积聚和情景漂移。

第二层：教唆改写不错径直调控动作粒度。

在上述分散外任务上，星海图进一步把每个阶段的纯粹指示（举例「掀开门」）改写为带有丰富副词和空间修饰语的版块（「轻轻地把门裕如掀开」）。这种改写并莫得引入任何新的教师数据，仅仅让指示佩带了更细粒度的实行意图。

收尾：空气炸锅任务的胜仗率在 AR+CoT 基础上再普及 15 个百分点，培根任务再普及 10 个百分点，两项从未出面前预教师数据中的复杂任务完好胜仗率均冲突 50%。

为什么这件事惟一自追忆架构能作念到？

对比数据给出了酬报。不异开启 CoT、不异分享预教师权重，仅把动作解码从自追忆切换为流匹配（FM）格局：CoT 对 FM 在空气炸锅任务上的普及惟一 10 个百分点，培根任务上不异是 10 个百分点；均不及 AR 格局下普及幅度的三分之一。

星海图团队对 CoT 输出的准确率进行了东谈主工评分，AR 和 FM 格局下的推理质地左近（PP Bench 约 90%，空气炸锅约 85%，培根约 80%）。因此这个差距不来自推理自身的质地，而来自动作的解码表情：自追忆 token 与推理 token 共处归拢条序列，动作生成时不错径直回看 CoT 内容；而流匹配大家在产灵活作前，也曾把推理轨迹压缩进了一个紧凑的要求向量，细节丢失了。

这亦然 G0.5 的中枢主义得到实验赞助的最径直左证：推理和动作必须分享归拢个凹凸文，才能让「想考」信得过驱动「行动」。

秉公功令

G0.5 的 PP Bench 收尾还揭示了另一个值得情愫的维度：视觉凹凸文对言语奴隶的影响。

在 50 小时后教师诞生下，法度指示（仅有笔墨称号）的言语奴隶率为 84.4%，任务胜仗率为 75.0%。星海图团队进一步向模子输入了筹算物体和容器的编著视觉图像看成特等凹凸文，言语奴隶率巧合跃升至 98.4%，任务胜仗率升至 84.4%。

这证明关于语义歧义的长尾物体（举例用汉文标注「马」字的中国象棋棋子），视觉凹凸文提供的细粒度外不雅思绪大概弥补纯言语描述的不及，而 G0.5 的多图像接口不错当然地领受并欺诈这类补充信息。

操控机器东谈主行动的表情正在向操控大言语模子的表情管制。用户无需重新汇集数据或发起新一轮微调，仅靠当然言语的措辞采选，就能革新机器东谈主在生分场景下的行动粒度与实行立场，真像是「秉公功令」。

全栈闭环下的中国革命

G0.5 是星海图「整机+智能」全栈道路的产品。这家诞生于 2023 年 9 月、累计融资近 50 亿东谈主民币的公司，自研的 R1 Pro 和 R1 Lite 轮式双臂机器东谈主平台已就业包括斯坦福、Physical Intelligence、华为在内的群众近百家顶尖具身智能机构，并被用于 π0.5 真机数据的汇集。

G0.5 基于 Qwen3.5 2B 视觉-言语模子运振荡，预教师数据涵盖 18 种机器东谈主骨子，与约 1 亿条视觉-言语问答数据结伙教师（其中含 5000 万条具身场景 VQA），通盘这个词预教师过程约 12 万步。

这种全栈闭环的真义在于：星海图的骨子数据助力了 G0.5 的预教师，G0.5 的泛化才能又反过来镌汰了骨子适配的资本。自追忆架构则不错让这个闭环里积聚的推理才能传导到机器东谈主的物理行动里。

值得一提的是，架构道路上的判断已不啻 G0.5 一例。星海图团队前段时辰发布的 Fast-WAM 论文（arXiv:2603.16666），谢宇宙动作模子（WAM）标的给出了不异的底层判断：明确的将来设想对动作性能的孝顺远小于预教师阶段的视频结伙建摹自身，即信得过病笃的是教师时学到的宇宙表征，而不是推理时造出的磋商帧。

两篇职责指向的是归拢个标的：在具身智能的底层建模上，中国团队正在作念原创性的架构判断，而不仅仅在既有框架上堆参数、堆数据。

诚然，具身智能还有很长的路要走买球投注平台，但架构的采选也曾在决定谁走得更快。