3 月 10 日消息，“稚晖君”创业项目智元机器人今日发布了首个通用具身基座模型 —— 智元启元大模型（Genie Operator-1），它开创性地提出了 Vision-Language-Latent-Action（ViLLA）架构，该架构由 VLM（多模态大模型）+ MoE（混合专家）组成，实现了可以利用人类视频学习，完成小样本快速泛化，降低了具身智能门槛，并成功部署到智元多款机器人本体。

2024 年底，智元推出了 AgiBot World，包含超过 100 万条轨迹、涵盖 217 个任务、涉及五大场景的大规模高质量真机数据集。基于 AgiBot World，智元今天正式发布智元通用具身基座大模型 Genie Operator-1（GO-1）。

它开创性地提出了 Vision-Language-Latent-Action（ViLLA）架构，该架构由 VLM（多模态大模型）+ MoE（混合专家）组成：

VLM 借助海量互联网图文数据获得通用场景感知和语言理解能力

MoE 中的 Latent Planner（隐式规划器）借助大量跨本体和人类操作视频数据获得通用的动作理解能力

MoE 中的 Action Expert（动作专家）借助百万真机数据获得精细的动作执行能力

通过 ViLLA 架构，智元机器人在五种不同复杂度任务上测试 GO-1，相比已有的最优模型，GO-1 成功率大幅领先，平均成功率提高了 32%（46%->78%）。其中“Pour Water”（倒水）、“Table Bussing”（清理桌面）和“Restock Beverage”（补充饮料）任务表现尤为突出。

此外智元机器人还单独验证了 ViLLA 架构中 Latent Planner 的作用，可以看到增加 Latent Planner 可以提升 12% 的成功率（66%->78%）。

GO-1 大模型借助人类和多种机器人数据，可泛化应用到各类的环境和物品中，快速适应新任务、学习新技能。同时，它还支持部署到不同的机器人本体完成落地，并在实际的使用中持续不断地快速进化。

这一系列的特点可以归纳为 4 个方面：

人类视频学习：GO-1 大模型可以结合互联网视频和真实人类示范进行学习，增强模型对人类行为的理解，更好地为人类服务。

小样本快速泛化：GO-1 大模型具有强大的泛化能力，能够在极少数据甚至零样本下泛化到新场景、新任务，降低了具身模型的使用门槛，使得后训练成本非常低。

一脑多形：GO-1 大模型是通用机器人策略模型，能够在不同机器人形态之间迁移，快速适配到不同本体，群体升智。

持续进化：GO-1 大模型搭配智元一整套数据回流系统，可以从实际执行遇到的问题数据中持续进化学习，越用越聪明。

智元机器人还预告了下一代具身智能机器人产品，不过没有透露推出时间。

附论文链接：