机器人也有Scaling Law了？智元GE-Act 2.0带来关键验证

出现了跨本体的能力迁移。

作者 |钟宸

编辑 |漠影

机器人前瞻9月10日报道，昨日，智元发布了原生世界—动作模型（World Action Model，WAM）GE-Act 2.0。

智元称，GE-Act 2.0的所有模型参数，包括视觉表征、未来生成、动作预测等核心组件均从随机初始化开始，在具身操作数据上从头训练。

训练完成后，模型不针对评测任务做任何微调和示范，直接在陌生场景、陌生物体上，接受语言指令跟随、多技能操作和陌生环境泛化等真机零样本（Zero-shot）检验，覆盖100项原子任务、20类技能、两种机器人本体。

结果显示，随着数据规模扩大100倍，模型不仅原有技能更稳定，还逐步解锁了此前完全无法完成的新任务，包括折叠毛巾、嵌套纸杯、拔插笔盖、插花等较精细动作。

智元称，这是原生世界—动作模型的Scaling路径首次被系统性验证。

01.

可在复杂场景完成任务，展现长程任务能力

在相同的零样本OOD协议下，智元评估了GE-Act 2.0在目标对象、颜色、大小、形状、位置和顺序方面的指令理解能力。实验表明，该算法能够在杂乱的场景中准确选择目标对象，且能够遵循习得动作偏好（Learned Action Biases）不同的指令，并且能够通过指令组合使能力泛化到新的任务场景中。

首先，GE-Act 2.0可以在复杂场景中执行指令。在智元展示的视频中，模型可在杂乱的物品中识别指令所需的正确物品，并执行夹起的操作。

且该模型能够遵循更复杂的“抓取和放置”指令，结合物体和颜色的区别，正确识别需要移动的物体以及放置的位置。在智元展示的视频中，搭载该模型的G1-OP可将绿色苹果放到绿色的盘子中，并将橙子放到橙色的盘子中。

其次，GE-Act 2.0展现了避免习得动作偏好的能力。在视频中，即使鞋子在鞋盒旁边，G1-OP会遵循把杯子放进鞋盒的指令。智元指出，该策略遵循指令对象-目的关系，而非场景暗示的关系。

同时，模型还能够打断原来的指令，执行最新的指令，在智元展示的视频中，G1-OP可在取消拿起绿色杯子的指令后继续执行拿起蓝色杯子的指令，且进行了连续两次取消，但从视频来看，杯子差一点就要被拿起，且G1-OP显得有些“手忙脚乱”。

GE-Act 2.0还能够在非标准场景中，通过执行连续的单步指令，实现零样本泛化能力，从而完成全新的长程任务。它能利用语言指导，将熟悉的操作技能转化为新的任务序列，而无需针对特定任务的微调。

在展示的视频中，G1-OP的目标是食物放入托盘中，它可以将苹果、芒果、零食袋以及瓶子分不同步骤放进盘中。

02.

重新设计架构，实现跨本体迁移能力

这一模型是怎么做到的？智元对此的解释是，GE-Act 2.0面向具身操作重新设计整套架构，给出了从头预训练的完整方法论。

首先，智元设计了更高效的视觉编码器CoAE，将一帧256×384画面压缩为24个视觉token，仅为DINOv3的十六分之一，同时保留语义、运动与局部结构。

压缩后反推动作的精度与DINOv3、V-JEPA 2.1等高信息量表征接近，在4,000条机器人操作数据的受控测试中，指令—画面匹配准确率达97.95%，为五种对照表征中最佳。

其次，智元采用一步式视觉规划，一次生成完整未来，并让动作误差直接反馈给世界模型。配合高效视觉表征，模型在RTX 5090显卡上生成一个连续动作chunk仅需104毫秒。

最后，GE-Act 2.0采用了知识对齐选择性优化方法（KASO），即一次生成多个可能的未来，只选择与真实动作最一致的结果参与训练。在陌生场景的分布外（OOD）评测中，机器人选对指令目标的比例较基线提高7.5个百分点，最终完成抓取的成功率提高10个百分点。

在数据架构上，GE-Act 2.0提出让每类数据承担合适的学习任务：

• 使用3.9万小时“指令—视频”数据预训练世界模型，学习环境如何变化，其中包含3,000小时无本体数据（不带动作标注的第一视角与人类操作视频）；

• 以3.2万小时机器人轨迹预训练逆动力学模型（IDM），学习“画面这样变化时机器人做了什么”，其中包含2,000小时失败操作与真实场景部署回流（rollout）数据，不要求成功标签；

• 最后通过3万小时“指令—视频—动作”完整数据进行联合训练，把两种能力连接起来。

在评测中，GE-Act 2.0把真机零样本表现作为标准：不微调、不示范、不换模型，测试中的场景、背景、光照和物体实例均未进入训练。

在相同训练配方下，最后一阶段分别使用300/1,200/5,000/30,000小时四档数据，智元指出，模型在三方面展现出Scaling：

首先是取得非零成功率的任务，在G1-OP机器人上从39项增至76项，在G2-90D机器人上从24项增至72项。智元指出，折叠毛巾、嵌套纸杯、拔插笔盖、插花等较精细动作在小规模数据训练的模型上无法被理解，而当数据达到3万小时规模时出现显著的能力顿悟。

从智元在技术博客展现的视频来看，G1-OP可在零样本的情况下，完成将倾倒的水瓶扶正的操作。

以及将一个杯子，套至另一个杯子内的操作。

以及擦去桌面油污的操作。

而对于仅贡献训练数据不足2%的G2-90D，该模型依然在零样本的情况下完成指令，诸如摘取笔帽，从视频来看，机械臂能精准识别到笔帽并完成摘取操作，同时右臂依然握住笔杆。

以及把芒果放进容器内的操作，但从视频来看，似乎机械臂并未准确定位到容器中央。

而从任务成功率的数据来看，G1-OP机器人总体成功率从17.1%提升至44.1%，G2-90D机器人从13.4%提升至31.1%，且5,000到30,000小时仍未见明显饱和。

另外，虽然G1-OP机器人贡献超50%训练数据，G2-90D机器人占比不足2%，但后者总体成功率仍随共享数据扩大提升17.7个百分点，出现了跨本体的能力迁移。

最后，微调后的GE-Act 2.0在RoboTwin陌生环境测试中取得60.52%成功率，在GenieSim指令遵循测试中获得0.770分，均超过π0.5、GR00T N1.7等参与比较的模型。

03.

结语：从头训练，验证具身Scaling Law

从GE-Act 2.0的发布来看，智元正在试图回答具身智能领域一个核心但尚未被充分验证的问题：世界—动作模型是否也能像大语言模型一样，走出一条清晰的Scaling Law路径？

答案是初步肯定的。当训练数据从300小时扩展到3万小时，模型不仅在原有任务上表现更稳定，更在折叠毛巾、嵌套纸杯、插花等精细操作上出现了“顿悟”。

不过，G1-OP零样本44.1%的成功率也提醒我们，这条路径虽然被验证存在，但距离真正的应用仍有不小的距离。

跨本体迁移的出现固然令人振奋，说明模型学到的并非某一台机器人的肌肉记忆，而是某种更通用的操作语义，但G2-90D在部分任务中暴露的定位偏差以及数据上的差距，也说明能力在不同本体间的迁移可能并不均匀。

接下来值得关注的，是当数据规模继续扩大一个数量级后，是否还会涌现出现在尚未预见的新能力，以及能否实现更广泛的应用。

技术博客：

https://ge-act-v2.github.io/#conclusion