智元启元大模型 GO-1

是什么

GO-1 全称 Genie Operator-1，中文名「启元」，是智元机器人（AgiBot）于 2025 年 3 月 10 日发布的模型^[1][2]。智元给它的定位是「通用具身模型基座」：一套可以支撑多种机器人任务的基础模型，而不是只针对某一项任务专门搭建的程序^[1][2]。

「具身」（embodied）在这里的意思是，模型不只是在屏幕里处理文字和图片，还要输出动作，驱动物理身体去改变世界。这就同时带来两个难题：一是看懂场景、听懂指令，二是把「应该发生什么」翻译成「关节和手该怎么动」。GO-1 的结构，就是把这堆问题拆成可以分别用不同数据训练的几个部分。

ViLLA 架构

GO-1 建立在一个智元称为 ViLLA 的架构上，即 Vision-Language-Latent-Action，视觉—语言—潜在动作^[1][2]。它在通常的视觉语言模型和动作输出之间，插入了一层「潜在动作」（latent action），并且把这一部分做成混合专家（mixture-of-experts）模块，其中包含一个潜在规划器（Latent Planner）和一个动作专家（Action Expert）^[1][2]。混合专家是一种常见的网络组织方式：不同的子部分处理不同的输入，而不是所有输入都走同一条通路。

三个部分各有分工。

视觉语言模型从海量互联网图文数据中获得通用的场景感知和语言理解能力^[1]。这一层的价值在于覆盖面：互联网图文里出现过各种各样的物体、房间和说法，模型因此面对没直接训练过的厨房、衣物或容器时，不至于完全无从下手。

潜在规划器从大量跨本体数据和人类操作数据中学习通用的动作理解^[1]。「跨本体」指的是形态各不相同的机器人产生的数据——手臂数量、关节结构、夹爪样式都不一样。把这些数据放在一起训练，模型会被推向任务层面的动作逻辑，而不是某一台特定机器的动作习惯。人类操作数据，比如人自己叠衣服、挂衣服的录像，数量远多于机器人数据，把它算进来等于拓宽了模型的学习来源。

动作专家则从数百万条真机数据点中学习精细的动作执行^[1]。真机数据最接近部署现场的条件：真实的电机、真实的摩擦、真实的传感器噪声。它告诉模型，一个动作最终究竟怎样落成一条具体指令。

智元称，三个部分合在一起，让模型能够从人类视频中学习，并且能从少量样本快速泛化^[1]。

结果

智元在五项复杂度不同的任务上测试 GO-1，平均成功率提升了 32%，从 46% 提高到 78%^[2]。在一组对照中，只加入潜在规划器这一项，就把成功率从 66% 提到 78%，即提高了 12 个百分点^[2]。这类数字的意义在于，它把提升归因到架构中的某个具体部件，而不只是「模型更大」。

智元合伙人、具身智能业务总裁姚卯青（Yao Maoqing）说，对挂衣服这样的任务，模型能够推断出需要哪些步骤，然后按顺序执行^[1]。

数据基础

GO-1 建立在智元的 AgiBot World 数据集之上。据智元介绍，该数据集包含超过 100 万条轨迹，覆盖 217 项任务和五类场景^[2]。轨迹指的是机器人完成任务过程中被记录下来的动作序列。任务数量决定了覆盖面的宽窄，场景类别决定了多样性，两者合起来决定了模型见过的「动作词汇」有多丰富。

在发展中的位置

把 GO-1 称为「基座」，强调的其实是复用：一套模型作为起点，再用相对少量的数据适配到具体任务上。这个说法借自大模型领域的做法——先在覆盖面很广的数据上训练一个通用模型，再把它装到具体用途上。GO-1 把这个思路搬到机器人动作上，并用三类来源拼出训练素材：跨本体数据和人类数据负责规划，真机数据负责执行^[1][2]。

公开的成功率数字来自智元自己做的测试，任务数量为五项^[2]。模型在更宽、更杂的任务范围上表现如何，是另一个问题，已公布的数字本身并不能回答。