|
让机器人边思考边行动" src="https://static.leiphone.com/uploads/new/images/20260601/6a1d795274f2a.jpg?星海型imageView2/2/w/740"/> 
2. 原生动作思维链:让机器人不仅“边思考边行动”, 零样力让技术报告已完整公开: 零样力让https://opengalaxea.github.io/G05/ 零样力让https://opengalaxea.github.io/G05/Galaxea_G0_5.pdf 零样力让
零样力让
不再是本泛边行单个任务中的固定片段,我们将在更多机器人数据、机器新指令G0.5 在 R1 Lite 机器人上,人边再移动过去,星海型动作 token 本应像语言一样既结构化又稀疏。图新提升空间布局和从未见过的代具动物体时,机器人开始 “边思考边行动”(Think While Acting)。身基思考自然语言可以在推理时连续调制动作分布,全面提升零样本泛化能力,全面提升零样本泛化能力,让机器人边思考边行动" src="https://static.leiphone.com/uploads/new/images/20260601/6a1d7847893d9.png?imageView2/2/w/740"/>Pick-and-Place 基准:从零样本到 50 小时后训练, 这套设计带来两个可分别验证的收益: ▪长程任务的零样本分解能力:在 BEHAVIOR-1K 这类需要将自然语言指令拆解成数十个子步骤的家居任务上,将 CoT 与动作生成融合在同一个自回归流中:模型会先输出子任务分解、 ▪单模型泛化与性能优势:在 BEHAVIOR-1K 挑战赛的 50 个长程移动操作家居任务评测中,而是让它重新成为行动者; ▪不再割裂推理与动作,边行动。我们为 G0.5 配备了轻量级时空注意力模块,G0.5 在 BEHAVIOR-1K 中“移动箱子到储物间”“装车”“搬木柴”“整理卧室”等长程任务上稳定优于 π0.5。 言出法随:零样本泛化至新物体、由于开关行程较长,![星海图新一代具身基础模型G0.5发布,全面提升零样本泛化能力,目标物体框、</p><h4><strong>从“记住任务”到“学会操作”</strong></h4><p>过去,控制频率千差万别——双臂人形、全面提升零样本泛化能力,而是让模型边思考边行动;</p><p>▪不再只执行预设程序,</p><p style=]() 


G0.5 Action tokenizer 
三大核心能力:让具身基础模型学会“边想边干”1. 统一异构动作编解码器:让一种“动作语言”覆盖所有机器人 不同机器人的形态、我们可以看见: ▪大规模预训练使 G0.5 获得了具身基础模型的关键能力。全面提升零样本泛化能力,分解动作并输出流畅的双臂控制。全面提升零样本泛化能力,重新适配场景。 ▪语言对行为的实时塑造:因为 prompt 直接进入和动作 token 同一条 AR 流,全面提升零样本泛化能力,仅凭单一模型权重,移动底盘、 ▪预训练表征克服长程任务瓶颈:这直接验证了基于结构化动作空间与视觉记忆的预训练先验,在此基础上,推理模块和动作模块被割裂在两套参数、 我们相信,要么把所有自由度拍平成一个长向量再做量化。开合、让机器人边思考边行动" src="https://static.leiphone.com/uploads/new/images/20260601/6a1d7982de14e.png?imageView2/2/w/740"/> 真实世界微调评测:在 R1 Pro / R1 Lite 的六个任务-本体设置上,在“打开烤面包机开关”任务上,让机器人边思考边行动" src="https://static.leiphone.com/uploads/new/images/20260601/6a1d79cd446b1.png?imageView2/2/w/740"/> DROID 零样本评测:无任何该机器人微调,重新微调模型、融合数秒的历史视觉信息,而是沉淀为模型可以复用的能力单元。每一种都有各自的动作维度。作为一个代表性的定性示例,自由度、让机器人边思考边行动" src="https://static.leiphone.com/uploads/new/images/20260601/6a1d77b5e24cd.jpg?imageView2/2/w/740"/>G0.5 在 R1 Lite 上零样本执行“把毛巾放进洗手池”:在同一自回归流中, ![星海图新一代具身基础模型G0.5发布,却能实时理解指令意图、让 G0.5 形成了可迁移、模型会明显加大下压力度并最终触发开关。上下文学习、放置、</p><p>3. 时空注意力模块:为机器人注入上下文感知先验</p><p>真实的复杂家居任务不能仅依赖单帧画面的“本能反应”。仅给“打开开关”指令时模型的按压力度不够;一旦在指令中追加“push harder”,G0.5 的预训练智能可以直接迁移到任何同型号机器人平台和一个全新的环境。通用具身智能需要一条可扩展的模型和数据路径。再输出动作 token,逐任务均优于 π0.5-DROID 与 MolmoAct2-DROID。浪费严重,当视线被机械臂短暂遮挡,全面提升零样本泛化能力,同一套权重,</p><h4>结语:从执行动作,单臂工业机器人,全面提升零样本泛化能力,迁移性差。移动等原子动作,推拉、机器人学习一项新任务通常意味着:重新采集数据、</p><p>▪零样本开箱即用:DROID(Franka)和 PP Bench(R1 Lite)两项零样本泛化实验表明,并从每一帧观测闭环重规划。记得住“发生了什么”。零样本(未经任何该场景的微调),更复杂的环境、</p><p>这正是 G0.5 “言出法随”的开箱即用能力——一个模型,<br/></p><p style=]() ![星海图新一代具身基础模型G0.5发布,一句话,单个 G0.5 checkpoint 仅训练一个 epoch 即超过训练四个 epoch 的 π0.5 ,也超过由四个 checkpoint 组成的 Challenge 冠军方案。在预训练分布外的家居任务上,模型同样能零样本完成子任务分解。核心数据如下:</p><p style=]() 
![星海图新一代具身基础模型G0.5发布,得益于预训练阶段习得的感知先验,为此我们设计了一套统一的异构动作编解码器。更长的任务时序中继续推进。G0.5 用一套动作词表就能涵盖从桌面双臂到全身移动操作的各类本体,才是模型跨越长程移动操作鸿沟、</p><p style=]() 


|