GE-Act 2.0 係智元為機械人操作而設嘅一套世界—動作模型（world–action model）。它嘗試由零開始，把「睇到乜」、「預測下一步成功畫面」同「點樣郁隻手」連成一體；唔係先攞一個用網上影片預訓練嘅通用影片模型，再套用到機械人身上。

最核心嘅研究訊息，唔只係數據多咗、表現穩定咗。智元報告指，訓練規模由 300 小時加至 30,000 小時期間，一批原先失敗嘅精細操作開始做到，例如摺毛巾、套疊杯、除筆蓋再插返筆蓋，以及插花。17

呢個係值得留意嘅研究結果，但解讀要收窄：證據來自智元設計嘅真機評測，涵蓋兩款機械人本體及 100 項原子任務；佢唔代表 GE-Act 2.0 已可在任何住宅、工場、物件環境或新硬件上自行處理所有工作。

先預測一個有用嘅未來狀態，再向住佢行動

所謂世界—動作模型，要同時處理感知、預測同控制。例如收到「將件物件放去指定位置」嘅語言指令，系統要辨識眼前場景、估計完成任務時應有嘅畫面，然後輸出令機械人做得到嘅馬達控制動作。

智元所述嘅 GE-Act 2.0 有三個部分：

• 控制導向自動編碼器（CoAE）：壓縮視覺輸入，但保留同指令及機械人動作有關嘅資訊；
• 單步視覺規劃器（SVP）：以一次可微分運算生成一個完成後嘅有用未來視覺狀態，唔使長串影片式推演；
• 逆動力學模型（IDM）：根據目前狀態同規劃出嚟嘅未來狀態，推斷可執行嘅機械人動作。17

訓練方面，團隊稱為 Knowledge-Aligned Selective Optimization（KASO，知識對齊選擇性優化）。論文將其描述為協調視覺規劃與動作學習嘅方法，並容許兩部分從互補資料分開預訓練。17

團隊亦報告，在單張 RTX 5090 上，每段連續動作（action chunk）推論需時 104 毫秒。對操作機械人而言，呢個速度有實際意義：系統要持續觀察、反應同修正，淨係預測出一幅睇落合理嘅完成畫面並唔夠；下一個控制動作亦要出得夠快。5

「由零開始訓練」到底係咩意思？

好多機械人學習系統都會借助已在大量圖像或網絡影片訓練過嘅模型。GE-Act 2.0 則將可訓練嘅生成及動作組件由隨機初始化開始，再用操作數據從頭訓練。17

因此，呢個 Scaling 實驗聚焦於一個較明確嘅問題：增加同實體互動、附帶動作脈絡嘅具身數據，會唔會有系統地改善機械人操作能力？它唔係在量度既有網絡影片基礎模型本身帶來幾多優勢。

報告所述嘅訓練配方可混合多種資料，包括真機遙操作軌跡、人類第一身視角影片、冇標註嘅 rollout 資料，以及失敗資料。620 呢點重要，因為高質素機械人示範成本高；如果系統能夠從不完美、部分冇標註嘅互動資料學習，收集資料可能會更實際。

由 300 小時到 3 萬小時：100 倍數據實驗

智元以 300、1,200、5,000 及 30,000 小時操作數據訓練不同版本，首尾相差正正 100 倍。417

主要評測係真機零樣本測試，設定包括：

• 100 項原子操作任務；
• 20 個技能類別；
• 未見過嘅場景、背景、燈光條件及物件實例；
• 兩種機械人本體：G1-OP 人形機械人及 G2-90D 輪式移動操作機械人；
• 評測任務不作專門微調、不提供示範、亦不更換模型。417

按研究報告嘅彙總成功率，數據擴大後成績如下：

機械人本體	300 小時成功率	30,000 小時成功率
G1-OP	17.1%	44.1%
G2-90D	13.4%	31.1%

以上均為 GE-Act 2.0 研究所報告嘅結果。317

最直接嘅結論係：就呢個模型同任務分布而言，更多具身數據與更高零樣本任務成功率有明顯關聯。作者亦指出，5,000 小時增至 30,000 小時之間，曲線未見明顯飽和，因而認為繼續擴大數據或仍有幫助。5

所謂技能「點亮」，點解值得留意？

平均成功率高咗，可能只係代表機械人本身已經做到嘅任務變得更穩定。但智元提出，大數據規模下見到更強嘅現象：有更多任務由零成功率變成至少做得到一次。

以 G1-OP 為例，成功完成過嘅原子任務數目，由 300 小時訓練時嘅 39 項，增至 30,000 小時時嘅 76 項（共 100 項）。4

文中列舉嘅例子包括：

• 摺毛巾；
• 套疊杯；
• 拔出及插回筆蓋；
• 插花。48

呢個就係論文所講嘅「點亮」效果：在報告嘅測試中，擴大數據唔止令既有能力做得好啲，亦令一啲小規模訓練時失敗嘅精細技能，開始在零樣本情況下可行。

不過，「點亮」唔應被演繹成突然出現通用智能。它只係有限基準測試中觀察到嘅任務覆蓋率變化。換咗更多元物件、更長步驟工作流程、安全關鍵場景，或者全新機械人設計後，會唔會出現同一模式，依然係未解問題。

G2-90D 成績反映咗幾多跨本體遷移？

G2-90D 係研究中測試跨本體遷移嘅主要證據。智元稱，呢部輪式移動操作機械人只佔共同訓練數據不足 2%，但由小數據到大數據條件，其整體成功率增加 17.7 個百分點。317

呢個結果顯示，至少有一部分學到嘅視覺與動作相關結構，可在不同機械人身體之間共享。對未來毋須為每款機械人由頭建立整套策略，係一個正面訊號。

但呢個唔等於硬件無關嘅機械人智能已被證實。研究只評估咗兩種本體及特定任務分布；而 G2-90D 亦有參與共同訓練，所以呢個結果唔係「完全冇見過新機械人資料」嘅零資料遷移。

GE-Act 同 GE-Sim 有咩關係？

GE-Act 屬於智元較大嘅 Genie Envisioner（GE） 平台。該平台被描述為在同一個影片生成框架內，整合機械人策略學習、評估及模擬。18

在呢個架構下，GE-Act 係偏向動作與策略嘅組件；GE-Sim 則係世界模擬組件，用來生成受動作條件控制嘅 rollout，以支援評估與開發。1819

分清兩者好重要：GE-Act 2.0 最主要嘅結果，係來自實體機械人嘅零樣本測試。GE-Sim 可能係整個平台嘅相關基建，但唔係「模型毋須針對任務微調或評測示範，便完成上述真實操作」呢項核心主張嘅直接依據。

微調基準成績係另一回事

智元亦報告咗微調後喺模擬導向基準嘅成績：GE-Act 2.0 在 RoboTwin 未見環境測試有 60.52% 成功率，而在 GenieSim 指令跟隨測試取得 0.770；後者據報高於比較中嘅 π0.5 與 GR00T N1.7。20

呢類數字可反映模型適應特定基準嘅能力，但回答嘅係另一條問題，唔應同真機零樣本實驗混為一談。微調後嘅分數，唔可以當成「完全毋須針對任務適應」嘅證據。

實際應該點樣理解？

GE-Act 2.0 值得注意之處，在於它檢驗咗具身 AI 一條直接但重要嘅命題：一個直接從操作數據學習嘅世界—動作模型，會唔會隨資料量增加而可預期地進步？

按智元所報告嘅實驗，答案係會。訓練資料由 300 小時擴至 30,000 小時，G1-OP 與 G2-90D 嘅零樣本成功率均明顯上升，覆蓋到嘅任務更多；摺毛巾、套疊杯等精細操作亦在大規模條件下出現。3417

較準確嘅結論，比「通用機械人快將實現」一類宣傳說法要窄：GE-Act 2.0 為一項受控真機評測提供證據，顯示擴大具身操作數據，可以帶來新增、可量度嘅操作能力。至於能否獨立重現、擴展到更多硬件、應付更長時序任務及安全要求，仍需要更廣泛測試。

GE-Act 2.0 係智元為機械人操作而設嘅一套世界—動作模型（world–action model）。它嘗試由零開始，把「睇到乜」、「預測下一步成功畫面」同「點樣郁隻手」連成一體；唔係先攞一個用網上影片預訓練嘅通用影片模型，再套用到機械人身上。

最核心嘅研究訊息，唔只係數據多咗、表現穩定咗。智元報告指，訓練規模由 300 小時加至 30,000 小時期間，一批原先失敗嘅精細操作開始做到，例如摺毛巾、套疊杯、除筆蓋再插返筆蓋，以及插花。17

呢個係值得留意嘅研究結果，但解讀要收窄：證據來自智元設計嘅真機評測，涵蓋兩款機械人本體及 100 項原子任務；佢唔代表 GE-Act 2.0 已可在任何住宅、工場、物件環境或新硬件上自行處理所有工作。

先預測一個有用嘅未來狀態，再向住佢行動

所謂世界—動作模型，要同時處理感知、預測同控制。例如收到「將件物件放去指定位置」嘅語言指令，系統要辨識眼前場景、估計完成任務時應有嘅畫面，然後輸出令機械人做得到嘅馬達控制動作。

智元所述嘅 GE-Act 2.0 有三個部分：

• 控制導向自動編碼器（CoAE）：壓縮視覺輸入，但保留同指令及機械人動作有關嘅資訊；
• 單步視覺規劃器（SVP）：以一次可微分運算生成一個完成後嘅有用未來視覺狀態，唔使長串影片式推演；
• 逆動力學模型（IDM）：根據目前狀態同規劃出嚟嘅未來狀態，推斷可執行嘅機械人動作。17

訓練方面，團隊稱為 Knowledge-Aligned Selective Optimization（KASO，知識對齊選擇性優化）。論文將其描述為協調視覺規劃與動作學習嘅方法，並容許兩部分從互補資料分開預訓練。17

團隊亦報告，在單張 RTX 5090 上，每段連續動作（action chunk）推論需時 104 毫秒。對操作機械人而言，呢個速度有實際意義：系統要持續觀察、反應同修正，淨係預測出一幅睇落合理嘅完成畫面並唔夠；下一個控制動作亦要出得夠快。5

「由零開始訓練」到底係咩意思？

好多機械人學習系統都會借助已在大量圖像或網絡影片訓練過嘅模型。GE-Act 2.0 則將可訓練嘅生成及動作組件由隨機初始化開始，再用操作數據從頭訓練。17

因此，呢個 Scaling 實驗聚焦於一個較明確嘅問題：增加同實體互動、附帶動作脈絡嘅具身數據，會唔會有系統地改善機械人操作能力？它唔係在量度既有網絡影片基礎模型本身帶來幾多優勢。

報告所述嘅訓練配方可混合多種資料，包括真機遙操作軌跡、人類第一身視角影片、冇標註嘅 rollout 資料，以及失敗資料。620 呢點重要，因為高質素機械人示範成本高；如果系統能夠從不完美、部分冇標註嘅互動資料學習，收集資料可能會更實際。

由 300 小時到 3 萬小時：100 倍數據實驗

智元以 300、1,200、5,000 及 30,000 小時操作數據訓練不同版本，首尾相差正正 100 倍。417

主要評測係真機零樣本測試，設定包括：

• 100 項原子操作任務；
• 20 個技能類別；
• 未見過嘅場景、背景、燈光條件及物件實例；
• 兩種機械人本體：G1-OP 人形機械人及 G2-90D 輪式移動操作機械人；
• 評測任務不作專門微調、不提供示範、亦不更換模型。417

按研究報告嘅彙總成功率，數據擴大後成績如下：

機械人本體	300 小時成功率	30,000 小時成功率
G1-OP	17.1%	44.1%
G2-90D	13.4%	31.1%

以上均為 GE-Act 2.0 研究所報告嘅結果。317

最直接嘅結論係：就呢個模型同任務分布而言，更多具身數據與更高零樣本任務成功率有明顯關聯。作者亦指出，5,000 小時增至 30,000 小時之間，曲線未見明顯飽和，因而認為繼續擴大數據或仍有幫助。5

所謂技能「點亮」，點解值得留意？

平均成功率高咗，可能只係代表機械人本身已經做到嘅任務變得更穩定。但智元提出，大數據規模下見到更強嘅現象：有更多任務由零成功率變成至少做得到一次。

以 G1-OP 為例，成功完成過嘅原子任務數目，由 300 小時訓練時嘅 39 項，增至 30,000 小時時嘅 76 項（共 100 項）。4

文中列舉嘅例子包括：

• 摺毛巾；
• 套疊杯；
• 拔出及插回筆蓋；
• 插花。48

呢個就係論文所講嘅「點亮」效果：在報告嘅測試中，擴大數據唔止令既有能力做得好啲，亦令一啲小規模訓練時失敗嘅精細技能，開始在零樣本情況下可行。

不過，「點亮」唔應被演繹成突然出現通用智能。它只係有限基準測試中觀察到嘅任務覆蓋率變化。換咗更多元物件、更長步驟工作流程、安全關鍵場景，或者全新機械人設計後，會唔會出現同一模式，依然係未解問題。

G2-90D 成績反映咗幾多跨本體遷移？

G2-90D 係研究中測試跨本體遷移嘅主要證據。智元稱，呢部輪式移動操作機械人只佔共同訓練數據不足 2%，但由小數據到大數據條件，其整體成功率增加 17.7 個百分點。317

呢個結果顯示，至少有一部分學到嘅視覺與動作相關結構，可在不同機械人身體之間共享。對未來毋須為每款機械人由頭建立整套策略，係一個正面訊號。

但呢個唔等於硬件無關嘅機械人智能已被證實。研究只評估咗兩種本體及特定任務分布；而 G2-90D 亦有參與共同訓練，所以呢個結果唔係「完全冇見過新機械人資料」嘅零資料遷移。

GE-Act 同 GE-Sim 有咩關係？

GE-Act 屬於智元較大嘅 Genie Envisioner（GE） 平台。該平台被描述為在同一個影片生成框架內，整合機械人策略學習、評估及模擬。18

在呢個架構下，GE-Act 係偏向動作與策略嘅組件；GE-Sim 則係世界模擬組件，用來生成受動作條件控制嘅 rollout，以支援評估與開發。1819

分清兩者好重要：GE-Act 2.0 最主要嘅結果，係來自實體機械人嘅零樣本測試。GE-Sim 可能係整個平台嘅相關基建，但唔係「模型毋須針對任務微調或評測示範，便完成上述真實操作」呢項核心主張嘅直接依據。

微調基準成績係另一回事

智元亦報告咗微調後喺模擬導向基準嘅成績：GE-Act 2.0 在 RoboTwin 未見環境測試有 60.52% 成功率，而在 GenieSim 指令跟隨測試取得 0.770；後者據報高於比較中嘅 π0.5 與 GR00T N1.7。20

呢類數字可反映模型適應特定基準嘅能力，但回答嘅係另一條問題，唔應同真機零樣本實驗混為一談。微調後嘅分數，唔可以當成「完全毋須針對任務適應」嘅證據。

實際應該點樣理解？

GE-Act 2.0 值得注意之處，在於它檢驗咗具身 AI 一條直接但重要嘅命題：一個直接從操作數據學習嘅世界—動作模型，會唔會隨資料量增加而可預期地進步？

按智元所報告嘅實驗，答案係會。訓練資料由 300 小時擴至 30,000 小時，G1-OP 與 G2-90D 嘅零樣本成功率均明顯上升，覆蓋到嘅任務更多；摺毛巾、套疊杯等精細操作亦在大規模條件下出現。3417

較準確嘅結論，比「通用機械人快將實現」一類宣傳說法要窄：GE-Act 2.0 為一項受控真機評測提供證據，顯示擴大具身操作數據，可以帶來新增、可量度嘅操作能力。至於能否獨立重現、擴展到更多硬件、應付更長時序任務及安全要求，仍需要更廣泛測試。