智元发布具身模型GO-3 Preview 登顶三大评测榜

驱动中国10月30日消息，10月29日，智元正式推出覆盖预训练、后训练、部署后阶段，实现全链路规模化学习的具身模型GO-3 Preview。该模型采用具身原生WRAM架构，将任务推理、未来预测与动作生成连接起来，使机器人能够理解指令、预测未来并生成可执行动作。GO-3 Preview近日在RoboDojo、RoboTwin、RoboColiseum三个行业权威评测榜单登顶，并计划于2026年底全面开源。

基于WRAM架构，GO-3 Preview从数据与模型两个维度推进Scaling，使异构经验参与共同学习。数据维度用于解决学习内容与覆盖范围问题：人类第一视角视频提供物体交互和任务过程信息，机器人轨迹建立观测、动作与物理结果之间的联系。模型维度用于经验承接与运用：通过增强学习能力，将分散经验组织起来，转化为可迁移的通用能力。

经过预训练，模型在任务迁移与复杂技能适应方面表现更强，并在Zero-Shot与Few-Shot任务中得到检验。在家居、厨房、多机协作、灵巧操作场景中，机器人无需额外微调即可直接完成陌生任务。面对更复杂任务，GO-3 Preview可通过少量示范进一步学习，完成制作煎饼果子等长程精细任务。在乐高拼装中，机器人需要准确抓取零件、找准位置并完成插合；经过微调后，模型可完成相关精细动作，并在智能体编排下衔接多个步骤，完成拼装。

通用能力并不等同于直接胜任所有复杂任务，机器人仍需在尝试与反馈中改进策略。在GO-3 Preview后训练阶段，智元构建分布式混合环境后训练系统Genie Evolver，依托百台真机，并结合物理仿真与世界模型，使机器人在实践中提升能力。随着交互经验积累与动作策略更新，桌面冰壶任务经过4小时在线迭代后，机器人性能超过被测人类平均水平；抽积木塔任务可连续抽取5块，并保持整塔稳定。

进入部署后阶段，智元通过具身Agent框架Genie Master连接判断、执行与反馈，使机器人能够在真实作业中持续改进。搭载该框架的精灵G2在真实便利店上岗期间，不依赖人工示范与调试，自主定位失败原因、调整策略、沉淀经验，在多个复杂精细任务上持续改进，实现“无人在环”的持续自我进化。其完整任务流程成功率从首日28.6%，5天后稳定至85.7%。以便利店机器人挂小挂钩为例，机器人自主定位问题、沉淀经验并调整动作时序，将失败记录转化为动作指南；单任务成功率相比常规微调提升17.7个百分点。与容易出现瓶颈的常规微调相比，该框架支持持续在线学习。