智元机器人 GO-1 通用具身基座大模型全面开源

智元机器人 GO-1 （Genie Operator-1）通用具身基座大模型宣布全面开源。

“这标志着全球首个采用Vision-Language-Latent-Action (ViLLA)架构的通用具身智能模型向全球开发者免费开放，将极大降低具身智能的技术门槛，推动行业快速发展。”

根据介绍，GO-1采用的Vision-Language-Latent-Action (ViLLA)架构是具身智能领域的重大技术突破。与传统的Vision-Language-Action (VLA)架构相比，ViLLA通过引入隐式动作标记，成功弥合了图像-文本输入与机器人执行动作之间的语义鸿沟。这一创新使得机器人能够更好地理解人类意图，并将其转化为精确的动作执行。

ViLLA架构的核心在于其三层协同设计。VLM多模态理解层基于InternVL-2B构建，能够处理多视角视觉图片、力觉信号、语言输入等多模态信息，为整个系统提供强大的场景感知和指令理解能力。Latent Planner隐式规划器通过预测隐式动作标记，实现了对复杂操作任务的高层次规划和理解。Action Expert动作专家则基于扩散模型，能够生成高频率、高精度的连续动作序列，确保机器人能够执行精细的操控任务。

智元方面表示，虽然GO-1仅基于AgiBot G1机器人数据进行预训练，但该模型已经在松灵机器人、方舟机器人、Franka机械臂等不同本体上进行了充分的验证测试。这些跨本体验证结果表明，GO-1具备良好的可移植性，能够适应不同机器人的运动学特性和控制接口。

在仿真环境测试方面，GO-1在Genie Sim和Libero等主流仿真平台上均取得了领先的性能表现。

针对真机部署场景，GO-1模型提供了Genie Studio一站式开发平台来支持Genie G1本体的数据采集、模型微调和部署，同时特别集成了通用LeRobot数据格式，支持其他机器人本体的数据采集、模型微调和部署。

通过Genie Studio，在Genie G1真机实验中，GO-1相比于其他SOTA模型也取得了领先的性能。

Genie Studio是智元机器人专为具身智能场景打造的一站式开发平台。平台提供开箱即用的GO-1基座模型，集成Video Traning方案和统一训练框架，内置完整的开发工具链，可实现真机一键编译&部署。