先说结论：这是一次有分量的 Scaling 证据，但不是“通用机器人已成”

GE-Act 2.0 是智元提出的一种世界—动作模型（World-Action Model，WAM）。它要解决的并不只是“看懂画面”，而是把视觉理解、对下一步结果的预测，以及可执行的机器人控制动作串成闭环。

这项研究最核心的发现是：在其报告的真机零样本评测中，当具身操作训练数据从300小时增加到3万小时、即扩大100倍时，两种机器人本体的总体任务成功率都明显提高；一些在小数据条件下从未成功的精细操作，也在大规模训练后出现了成功案例。3417

但这项结果的适当解读应当是：**它为“具身数据规模扩大可带来可测量的新操作能力”提供了证据。**它并不证明机器人已经能在任意家庭、工厂、陌生硬件或安全关键环境中自主完成任意任务。

它如何工作：先预测有用的未来，再把未来变成动作

对于“把物品放到指定位置”这样的语言指令，机器人需要同时完成几件事：识别当前场景和目标物体，判断成功后的状态应当是什么样子，再生成能够到达该状态的控制命令。

GE-Act 2.0 将这项任务拆成三个部分：

• 控制导向自编码器（CoAE）：压缩视觉输入，但尽可能保留与语言指令及机器人动作有关的信息；
• 单步视觉规划器（SVP）：通过一次可微生成，直接给出一个完成任务所需的未来视觉状态，而非进行长串视频式推演；
• 逆动力学模型（IDM）：根据当前状态和规划的未来状态，反推出机器人可执行的动作。17

研究团队还使用了名为知识对齐选择性优化（KASO）的训练方法，用于协调视觉规划与动作学习模块，并使它们能够在互补数据上进行预训练。17

据报告，模型在单张 RTX 5090 上生成一个连续动作块的推理时间为104毫秒。5 对操作机器人而言，这类延迟具有实际意义：系统必须持续观察、更新判断并输出下一步控制，而不能只生成看似合理、但来不及执行的视觉计划。

“从头训练”指的是什么

不少机器人学习系统会继承已经在大量图像或网页视频上训练过的视觉、视频模型。GE-Act 2.0 的路线不同：其可训练的生成和动作组件均从随机初始化开始，在具身操作数据上进行训练，而不是依赖现成的视频生成模型。17

这样设计，使得它的 Scaling 实验聚焦于一个更明确的问题：增加与真实物理交互、动作轨迹绑定的具身数据，是否会稳定提升机器人操作能力？

报告称，训练数据配方可以混合多种来源，包括真机遥操作轨迹、人类第一视角视频、无标签 rollout 数据，以及失败数据。620 这一点很重要，因为高质量机器人示范昂贵；若模型能从不完美、部分无标注的交互记录中学习，数据收集的成本与可扩展性都会更有改善空间。

100倍数据扩张，带来了多大变化？

研究团队以300、1200、5000和30000小时四档操作数据训练模型，最终覆盖100倍的数据规模差异。417

其主要评测是真机零样本测试，设置包括：

• 100项原子操作任务；
• 20类技能；
• 未见过的场景、背景、光照条件和物体实例；
• 两种机器人本体：G1-OP 人形机器人与 G2-90D 移动操作机器人；
• 针对评测任务不做微调、不提供示范、也不更换模型。417

在这一协议下，智元报告的总体成功率如下：

机器人本体	300小时训练数据	30000小时训练数据
G1-OP	17.1%	44.1%
G2-90D	13.4%	31.1%

上述均为 GE-Act 2.0 研究报告的结果。317

最直接的结论是：对于该模型和这套任务分布，更多具身数据与更高的零样本任务成功率相关。研究报告还指出，从5000小时增至30000小时的曲线未呈现明显饱和，作者据此认为进一步扩大训练规模仍可能继续带来收益。5

所谓“技能点亮”：不只是做得更稳，而是原先做不成的任务开始成功

平均成功率上升，可能只意味着机器人在原本就会做的任务上更稳定。GE-Act 2.0 试图强调的更强现象是：随着数据增加，获得过非零成功率的任务数量也在扩大。

以 G1-OP 为例，报告显示，在100项原子任务中，出现成功完成的任务数从39项增至76项。4

被列为代表的精细操作包括：

• 叠毛巾；
• 套叠杯子；
• 拔下和装回笔帽；
• 插花。48

这正是“点亮”一词的含义：在报告的试验中，数据扩张不仅改善了已有能力的执行可靠性，也让一批小规模训练时未能完成的技能，在零样本条件下变得可行。

不过，“点亮”不应被理解为机器人突然拥有通用智能。它描述的是一个有限基准中的任务覆盖变化。面对更多样的物体、更长流程的工作、对安全要求极高的环境，或全新的机器人设计，是否仍会出现相同规律，仍有待验证。

G2-90D 的结果：有迁移迹象，但还谈不上硬件无关

G2-90D 是研究中用于观察跨本体迁移的案例。智元报告称，G2-90D 在联合训练数据中的占比不足2%，但从小数据到大数据条件下，其总体成功率提升了17.7个百分点。317

这说明，模型学习到的部分视觉结构和动作相关规律，可能可以在不同机器人身体之间共享。这对于未来不必为每一台新机器人从零重训策略，是一个积极信号。

但它并不等同于“硬件无关的机器人智能”。证据目前只覆盖两种评测本体及该研究的任务分布；同时，G2-90D 也并非完全未出现在联合训练中，因此结果不能被解读为对任意新机器人的零数据迁移。

GE-Act 与 GE-Sim：同一平台中的不同角色

GE-Act 属于智元更广泛的 Genie Envisioner（GE）平台。该平台被描述为在统一的视频生成框架中整合机器人策略学习、评估与仿真。18

其中，GE-Act 偏向动作与策略执行；GE-Sim 则是面向世界仿真的组成部分，用于生成受动作条件约束的交互过程，以服务评估和开发。1819

两者需要区分开看。GE-Act 2.0 的核心结论，来自真实机器人上的零样本操作测试；GE-Sim 可以是该平台的相关基础设施，但并不是“模型在真机上无需任务微调便完成所报告操作”的直接证据来源。

微调榜单成绩，是另一类问题

智元还报告了经微调后的模拟基准成绩：GE-Act 2.0 在 RoboTwin 未见环境测试中成功率为60.52%，在 GenieSim 指令遵循测试中得分为0.770；后者被报告为高于参与比较的 π0.5 与 GR00T N1.7。20

这些成绩可以反映模型适配能力和基准表现，但回答的是另一类问题。它们不应与“无需针对任务调整的真机零样本结果”混为一谈：一旦经过微调，所衡量的就是适配后的表现，而非纯粹的预训练泛化能力。

值得记住的边界

GE-Act 2.0 的意义，在于它用一套较清晰的对照实验检验了具身 AI 的一个关键命题：直接用操作数据从头训练的世界—动作模型，能否随着数据规模增长而持续变强？

按智元报告的结果，答案是肯定的：从300小时扩至3万小时，对应 G1-OP 与 G2-90D 的零样本成功率大幅上升，任务覆盖更广，叠毛巾、套杯等精细能力也在较大规模条件下出现。3417

不过，现阶段最稳妥的表述仍是：**这是一项在受控真机评测中证明具身数据 Scaling 潜力的研究结果，而不是通用自主机器人的终局方案。**在把它视为广泛部署能力之前，仍需要独立复现、更多机器人硬件测试，以及对长时程任务和安全性的更严格评估。

先说结论：这是一次有分量的 Scaling 证据，但不是“通用机器人已成”

GE-Act 2.0 是智元提出的一种世界—动作模型（World-Action Model，WAM）。它要解决的并不只是“看懂画面”，而是把视觉理解、对下一步结果的预测，以及可执行的机器人控制动作串成闭环。

这项研究最核心的发现是：在其报告的真机零样本评测中，当具身操作训练数据从300小时增加到3万小时、即扩大100倍时，两种机器人本体的总体任务成功率都明显提高；一些在小数据条件下从未成功的精细操作，也在大规模训练后出现了成功案例。3417

但这项结果的适当解读应当是：**它为“具身数据规模扩大可带来可测量的新操作能力”提供了证据。**它并不证明机器人已经能在任意家庭、工厂、陌生硬件或安全关键环境中自主完成任意任务。

它如何工作：先预测有用的未来，再把未来变成动作

对于“把物品放到指定位置”这样的语言指令，机器人需要同时完成几件事：识别当前场景和目标物体，判断成功后的状态应当是什么样子，再生成能够到达该状态的控制命令。

GE-Act 2.0 将这项任务拆成三个部分：

• 控制导向自编码器（CoAE）：压缩视觉输入，但尽可能保留与语言指令及机器人动作有关的信息；
• 单步视觉规划器（SVP）：通过一次可微生成，直接给出一个完成任务所需的未来视觉状态，而非进行长串视频式推演；
• 逆动力学模型（IDM）：根据当前状态和规划的未来状态，反推出机器人可执行的动作。17

研究团队还使用了名为知识对齐选择性优化（KASO）的训练方法，用于协调视觉规划与动作学习模块，并使它们能够在互补数据上进行预训练。17

据报告，模型在单张 RTX 5090 上生成一个连续动作块的推理时间为104毫秒。5 对操作机器人而言，这类延迟具有实际意义：系统必须持续观察、更新判断并输出下一步控制，而不能只生成看似合理、但来不及执行的视觉计划。

“从头训练”指的是什么

不少机器人学习系统会继承已经在大量图像或网页视频上训练过的视觉、视频模型。GE-Act 2.0 的路线不同：其可训练的生成和动作组件均从随机初始化开始，在具身操作数据上进行训练，而不是依赖现成的视频生成模型。17

这样设计，使得它的 Scaling 实验聚焦于一个更明确的问题：增加与真实物理交互、动作轨迹绑定的具身数据，是否会稳定提升机器人操作能力？

报告称，训练数据配方可以混合多种来源，包括真机遥操作轨迹、人类第一视角视频、无标签 rollout 数据，以及失败数据。620 这一点很重要，因为高质量机器人示范昂贵；若模型能从不完美、部分无标注的交互记录中学习，数据收集的成本与可扩展性都会更有改善空间。

100倍数据扩张，带来了多大变化？

研究团队以300、1200、5000和30000小时四档操作数据训练模型，最终覆盖100倍的数据规模差异。417

其主要评测是真机零样本测试，设置包括：

• 100项原子操作任务；
• 20类技能；
• 未见过的场景、背景、光照条件和物体实例；
• 两种机器人本体：G1-OP 人形机器人与 G2-90D 移动操作机器人；
• 针对评测任务不做微调、不提供示范、也不更换模型。417

在这一协议下，智元报告的总体成功率如下：

机器人本体	300小时训练数据	30000小时训练数据
G1-OP	17.1%	44.1%
G2-90D	13.4%	31.1%

上述均为 GE-Act 2.0 研究报告的结果。317

最直接的结论是：对于该模型和这套任务分布，更多具身数据与更高的零样本任务成功率相关。研究报告还指出，从5000小时增至30000小时的曲线未呈现明显饱和，作者据此认为进一步扩大训练规模仍可能继续带来收益。5

所谓“技能点亮”：不只是做得更稳，而是原先做不成的任务开始成功

平均成功率上升，可能只意味着机器人在原本就会做的任务上更稳定。GE-Act 2.0 试图强调的更强现象是：随着数据增加，获得过非零成功率的任务数量也在扩大。

以 G1-OP 为例，报告显示，在100项原子任务中，出现成功完成的任务数从39项增至76项。4

被列为代表的精细操作包括：

• 叠毛巾；
• 套叠杯子；
• 拔下和装回笔帽；
• 插花。48

这正是“点亮”一词的含义：在报告的试验中，数据扩张不仅改善了已有能力的执行可靠性，也让一批小规模训练时未能完成的技能，在零样本条件下变得可行。

不过，“点亮”不应被理解为机器人突然拥有通用智能。它描述的是一个有限基准中的任务覆盖变化。面对更多样的物体、更长流程的工作、对安全要求极高的环境，或全新的机器人设计，是否仍会出现相同规律，仍有待验证。

G2-90D 的结果：有迁移迹象，但还谈不上硬件无关

G2-90D 是研究中用于观察跨本体迁移的案例。智元报告称，G2-90D 在联合训练数据中的占比不足2%，但从小数据到大数据条件下，其总体成功率提升了17.7个百分点。317

这说明，模型学习到的部分视觉结构和动作相关规律，可能可以在不同机器人身体之间共享。这对于未来不必为每一台新机器人从零重训策略，是一个积极信号。

但它并不等同于“硬件无关的机器人智能”。证据目前只覆盖两种评测本体及该研究的任务分布；同时，G2-90D 也并非完全未出现在联合训练中，因此结果不能被解读为对任意新机器人的零数据迁移。

GE-Act 与 GE-Sim：同一平台中的不同角色

GE-Act 属于智元更广泛的 Genie Envisioner（GE）平台。该平台被描述为在统一的视频生成框架中整合机器人策略学习、评估与仿真。18

其中，GE-Act 偏向动作与策略执行；GE-Sim 则是面向世界仿真的组成部分，用于生成受动作条件约束的交互过程，以服务评估和开发。1819

两者需要区分开看。GE-Act 2.0 的核心结论，来自真实机器人上的零样本操作测试；GE-Sim 可以是该平台的相关基础设施，但并不是“模型在真机上无需任务微调便完成所报告操作”的直接证据来源。

微调榜单成绩，是另一类问题

智元还报告了经微调后的模拟基准成绩：GE-Act 2.0 在 RoboTwin 未见环境测试中成功率为60.52%，在 GenieSim 指令遵循测试中得分为0.770；后者被报告为高于参与比较的 π0.5 与 GR00T N1.7。20

这些成绩可以反映模型适配能力和基准表现，但回答的是另一类问题。它们不应与“无需针对任务调整的真机零样本结果”混为一谈：一旦经过微调，所衡量的就是适配后的表现，而非纯粹的预训练泛化能力。

值得记住的边界

GE-Act 2.0 的意义，在于它用一套较清晰的对照实验检验了具身 AI 的一个关键命题：直接用操作数据从头训练的世界—动作模型，能否随着数据规模增长而持续变强？

按智元报告的结果，答案是肯定的：从300小时扩至3万小时，对应 G1-OP 与 G2-90D 的零样本成功率大幅上升，任务覆盖更广，叠毛巾、套杯等精细能力也在较大规模条件下出现。3417

不过，现阶段最稳妥的表述仍是：**这是一项在受控真机评测中证明具身数据 Scaling 潜力的研究结果，而不是通用自主机器人的终局方案。**在把它视为广泛部署能力之前，仍需要独立复现、更多机器人硬件测试，以及对长时程任务和安全性的更严格评估。