GO-3打通机器人的想与做

智元在 10 月 29 日举行的 2026 智元创新日上发布了新一代具身基座模型 GO-3 Preview。与多数只强调预训练规模或单项操作能力的具身模型不同，GO-3 Preview 的重点是用 WRAM 架构打通任务推理、未来预测与动作生成，再借助 Genie Evolver 和 Genie Master，把模型学习延伸到后训练及真实部署阶段。

智元同时宣布，GO-3 Preview 已登顶 RoboDojo、RoboTwin、RoboColiseum 三个具身智能评测榜单，并计划在 2026 年底全面开源。需要注意的是，智元目前尚未完整披露模型参数规模、训练算力、三个榜单的具体分项得分、开源许可证以及是否同步开放训练数据，因此这次发布更像一次技术路线和能力预览，而不是可以立即复现的完整开源交付。

GO-3 Preview 是什么

GO-3 Preview 是智元面向机器人通用操作推出的具身基座模型，目标是让不同机器人从人类视频、真机轨迹、仿真环境和实际作业反馈中共同学习。所谓具身模型，是能够接收视觉、语言和机器人状态等输入，并输出可在物理世界中执行的动作或策略的模型。

WRAM 是 World Reasoning Action Model 的缩写，也就是“世界—推理—动作模型”。它不是先让语言模型写出一段抽象计划，再由另一套控制器机械执行，而是把任务理解、未来状态预测和动作生成放进一套相互约束的模型体系中，让机器人同时回答三个问题：现在要做什么、接下来可能发生什么、具体应该怎么动。

这三个问题看起来顺理成章，却恰好是当前机器人系统最容易断裂的地方。大语言模型可以把“制作煎饼果子”拆成摊面糊、加蛋、翻面、刷酱和折叠，但语言上合理的步骤不等于机械臂能够完成的轨迹；传统动作策略可以稳定重复抓取，却未必知道面糊状态、工具位置或接触关系已经发生变化。WRAM 的价值，就是试图把“想明白”和“做出来”放到同一条链路里训练。

WRAM 不只是给 VLA 多加一个预测头

视觉—语言—动作模型（VLA）是将图像、自然语言指令与机器人动作联合建模的模型路线。典型 VLA 可以根据相机画面和“把杯子放进水槽”的指令生成动作，但如果训练目标主要集中在模仿已有轨迹，模型很容易学成一个高维动作复读机：熟悉场景表现不错，物体位置、接触状态或任务流程一变，成功率就可能迅速下降。

GO-3 Preview 的区别在于显式强化了对未来状态的建模。机器人不只需要预测“下一步手往哪里走”，还需要估计这个动作会让物体的位置、姿态和接触关系如何变化，再判断预测结果是否符合任务目标。对于乐高插合、抽积木和桌面冰壶这类任务，未来预测不是装饰，而是动作能否完成的核心条件。

| 技术路线 | 主要学习目标 | 优势 | 常见短板 | GO-3 Preview 的处理方式 | |---|---|---|---|---| | 传统模仿学习 | 复现示范轨迹 | 训练直接、特定任务效率高 | 场景变化后容易失效，失败经验利用率低 | 引入异构数据和后训练闭环，减少对单一示范分布的依赖 | | 常规 VLA | 联合视觉、语言与动作 | 能理解自然语言任务，具备一定迁移能力 | 任务推理与底层动作之间仍可能断层 | 将任务理解与动作生成放入统一架构 | | 世界模型路线 | 预测动作后的环境变化 | 适合规划、仿真和候选策略筛选 | 预测结果不一定能直接转为可执行动作 | 让未来预测与动作生成联合学习 | | WRAM | 统一推理、未来预测与动作生成 | 更适合长程、精细及状态持续变化的任务 | 系统复杂，依赖高质量轨迹与真实反馈 | 结合 CoAE、未来预测机制和 KASO 进行协同训练 |

智元披露的 CoAE 是面向控制的视觉表征模块，负责从相机画面中提取位置、形态和物体关系等与操作直接相关的信息。它要解决的不是“图片里有什么”这一类通用视觉问题，而是“插槽在哪里、零件朝向如何、机械臂下一步能否抓到”这类控制问题，同时还要兼顾信息量与实时推理效率。

未来预测模块负责估计动作可能带来的后续状态变化。以抽积木塔为例，每抽出一块积木，剩余积木的位置、受力关系和稳定性都会变化，机器人不能在任务开始时一次性生成全部动作，而要持续观察、预测和修正。

KASO 是 Knowledge-Aligned Selective Optimization，即知识对齐选择性优化机制。由于同一场景可能存在多种合理未来，KASO 会筛选与真实动作更相容的候选结果，使未来预测和动作生成的训练目标保持一致，避免模型“预测得像”，但生成的动作无法把现实推向那个结果。

九成预训练数据来自人类第一视角视频

GO-3 Preview 的预训练数据约有 90% 来自人类第一视角视频。第一视角视频是由人类操作者视角记录的任务过程，它可以低成本覆盖做饭、整理、开门、搬运和工具使用等大量交互行为，数据广度远高于逐条遥操作采集机器人轨迹。

人类视频并不能直接替代机器人轨迹。人的手腕、手指和身体自由度与机械臂不同，视频中也没有机器人需要的关节角、末端执行器位姿、夹爪力度等控制信号，因此模型必须把“人是怎么做的”转换为“这台机器人应该怎么动”。这也是 WRAM 要同时学习视觉表征、物理结果和动作映射的原因。

机器人轨迹承担了把视觉经验落到物理控制上的作用。人类视频告诉模型任务过程和物体交互方式，真机轨迹则建立观测、动作与物理结果之间的联系；两类数据合在一起，才可能同时解决技能覆盖面不足和动作不可执行的问题。

这套数据策略比单纯扩充机器人示范更现实。机器人真机数据采集速度慢、成本高，还会受到设备磨损和安全条件限制，而公开视频或定向采集的人类视频更容易扩展到数百种任务；问题在于，人类视频占比达到约 90% 后，跨本体动作映射是否稳定，将直接决定 Scaling 能否真正转化为成功率。

Zero-Shot 管广度，Few-Shot 补精度

Zero-Shot 是模型不针对目标任务进行专属真机监督微调，直接依靠预训练能力完成新任务。智元表示，GO-3 Preview 已具备数百种任务的开箱即用能力，并在家居、厨房、多机协作和灵巧操作场景中展示了对陌生任务的迁移能力。

Few-Shot 是使用少量目标任务示范进一步调整模型，以提高复杂操作的精度与协调性。对于制作煎饼果子、拼装乐高等长程任务，少量示范能够把通用能力约束到具体工具、物体和流程上，比从头为每项任务采集大规模数据更可行。

乐高拼装体现了 Few-Shot 的实际价值。机器人必须抓住尺寸较小的零件，识别插槽与目标姿态，再处理接触发生后的对齐和插入；任何一个环节产生几毫米偏差，都可能导致后续步骤全部失败。GO-3 Preview 在少量示范微调后，可以完成抓取、对位和插入，并由具身 Agent 编排多个步骤完成连续拼装。

煎饼果子展示则更偏向长程任务能力。制作过程包含工具切换、材料状态变化、双臂协调以及步骤依赖，模型既要知道当前处于哪个阶段，也要根据面糊和食材的实际状态调整动作；这类任务比固定物体抓放更接近真实服务场景，但演示成功仍不能替代大样本成功率和连续运行数据。

跨本体能力是 GO-3 Preview 另一个值得关注的方向。智元展示了模型在双足人形机器人 X2 上完成双手持物开门、跪地取物等动作，这说明同一套模型体系正在尝试适配不同自由度和运动学结构，而不只是服务于桌面机械臂。

Genie Evolver 让机器人在虚实环境里“练手”

Genie Evolver 是智元为 GO-3 Preview 构建的分布式混合环境后训练系统。它依托百台真机，并把物理仿真和世界模型纳入同一训练闭环，让机器人经验汇聚、策略更新、新模型下发和反馈回流能够连续发生。

后训练是模型完成大规模预训练后，通过任务反馈、强化学习或交互经验进一步优化策略的阶段。语言模型的后训练通常依赖偏好数据和可验证奖励，机器人后训练则更昂贵，因为每次尝试都涉及真实时间、设备占用、物体复位和潜在碰撞。

Genie Evolver 的思路是让真机、仿真和世界模型各自承担不同成本的探索任务。真机提供最可信的摩擦、碰撞和接触反馈，仿真环境负责扩大任务和场景覆盖，世界模型则可以低成本预测多个候选未来，再把更值得尝试的策略交给真实机器人验证。

群体经验学习（CEL）是多台机器人共享成功与失败经验的训练方式。成功轨迹提供可复用的动作片段，失败上下文则暴露策略在哪个阶段失效；系统检索相关经验并更新共享策略后，一台机器人踩过的坑，就不必由其余机器人逐个再踩一次。

桌面冰壶实验给出了此次发布中少数明确的在线学习数字。智元称，GO-3 Preview 经过 4 小时在线迭代后，任务表现超过被测人类平均水平；在抽积木塔任务中，机器人可以连续抽取 5 块积木并维持整塔稳定。

这些数字证明了在线改进的可能性，但还不足以证明系统已经具备普遍的自主进化能力。桌面冰壶的奖励容易量化，积木塔也有清晰的成功标准，而便利店补货、家庭整理等开放任务涉及异常处理、安全和多目标权衡，奖励设计与数据回流会复杂得多。

Genie Master 把部署现场变成新数据源

Genie Master 是连接任务判断、机器人执行和环境反馈的具身 Agent 框架。它负责把高层任务拆解、模型调用、动作执行、结果检查和异常处理串联起来，使机器人在部署后不只是消耗已有能力，也能持续产生可用于下一轮优化的数据。

便利店是 GO-3 Preview 用来验证部署后学习的代表场景。机器人需要识别不同包装和位置的商品，规划补货顺序，在狭窄货架中完成抓取与摆放，并处理商品滑落、货位变化或抓取失败等异常。

部署后 Scaling 是这次发布最有现实意义、也最难落地的部分。预训练可以在数据中心集中完成，后训练也能在受控实验室进行，但部署现场的数据分布更混乱，还涉及隐私、安全、人工接管和错误责任；如果这些数据不能经过筛选、标注和验证就进入训练，模型可能把偶然成功甚至危险动作一并学进去。

完整闭环的价值仍然非常明确。机器人行业过去常见的模式是“一台机器对应一套工程方案”，每换一个货架、一类包装或一种机械结构都要重新调试；如果 Genie Master 能把现场经验稳定回流至 Genie Evolver，再更新 WRAM，机器人部署才有机会从项目制交付转向可积累的软件能力。

三榜第一值得关注，但还不能只看名次

智元称 GO-3 Preview 已登顶 RoboDojo、RoboTwin 和 RoboColiseum 三个行业评测榜单。三个榜单覆盖不同任务与评估设置，同时取得第一说明模型在泛化、操作和跨场景适应方面具备竞争力，也为 WRAM 路线提供了初步外部证据。

榜单名次不能替代完整的评测披露。智元尚未在本次公开信息中给出各榜单的具体分数、对比模型版本、训练数据边界、测试时是否使用额外示范，以及多次运行的方差；机器人任务对初始位置、相机视角和环境随机性高度敏感，只看单个平均分很难判断真实部署稳定性。

| 公开项目 | GO-3 Preview 当前信息 | 仍待披露的信息 | |---|---|---| | RoboDojo | 智元称排名第一 | 具体得分、任务分项、运行方差 | | RoboTwin | 智元称排名第一 | 训练数据边界、测试配置、对比版本 | | RoboColiseum | 智元称排名第一 | 完整榜单快照、复现实验与评测日志 | | 模型规模 | 未公布 | 参数量、视觉与动作模块配置 | | 训练成本 | 未公布 | GPU 用量、真机数据小时数、训练周期 | | 开源计划 | 2026 年底全面开源 | 权重、代码、数据集和许可证的具体范围 | | 商业价格 | 未公布 | 授权方式、部署成本和硬件适配范围 |

GO-3 Preview 与 GO-2 的变化不只是换代，而是学习链路的进一步扩展。GO-2 已经强调从理解到动作执行，并通过基座模型与分布式强化学习构建闭环；GO-3 Preview 则更明确地用 WRAM 统一未来预测和动作生成，同时把预训练、混合环境后训练、部署后持续改进包装成一套完整体系。

真正的看点不是煎饼果子，而是全链路 Scaling

全链路 Scaling 是在预训练、后训练和部署后三个阶段持续扩大数据、交互与模型能力的训练范式。它与大语言模型“先堆语料和算力”的规模化路径不同，因为机器人的数据必须与动作、物理反馈和硬件本体绑定，真实世界也无法像文本一样被廉价复制。

GO-3 Preview 给出的答案，是用人类第一视角视频扩展技能广度，用机器人轨迹补足动作可执行性，用仿真和世界模型降低探索成本，再用百台真机及部署现场反馈校正模型。这个闭环如果跑通，机器人的能力增长将不再完全依赖人工逐项编程，而会更多来自跨设备共享的交互经验。

这套路线的短板同样明显。人类视频到机器人动作之间存在本体差异，仿真到现实存在物理差距，世界模型预测会累积误差，现场数据回流又会引入安全和质量问题；任何一个环节没有控制好，都可能让规模扩大变成错误放大。

GO-3 Preview 目前最值得肯定的地方，是它没有把具身智能简化成一个更大的 VLA。WRAM、Genie Evolver 和 Genie Master 分别对应模型内部统一、训练环境闭环和部署现场回流，三者组合比单独展示一个抓取成功率更接近机器人真正进入生产环境所需的系统工程。

GO-3 Preview 目前最需要补齐的地方，是可验证性和开放细节。2026 年底全面开源只剩约两个月，智元需要进一步明确开放哪些权重、训练代码、评测脚本和数据处理工具，并公布三大榜单的详细成绩；只有第三方能够复现 Zero-Shot、Few-Shot 和在线迭代结果，WRAM 才能从一套有吸引力的发布叙事，变成行业可以直接检验和采用的技术路线。

参考来源

• IT之家：智元发布具身模型 GO-3 Preview — 汇总 GO-3 Preview 发布信息、WRAM 架构、应用演示、评测排名及 2026 年底开源计划。
• 知乎：智元 GO-2 基座模型介绍 — 用于了解 GO-2 的动作推理、分布式强化学习、闭环部署及相关基准表现。