三榜第一，完胜GPT-6！中国物理RSI杀出黑马

新智元报道 早晨，你还没睁眼，厨房里已经传来轻微的碰瓷声。 推门出去，机器人管家X1站在餐桌旁，你没说话，它就把把椅子轻轻拉开了一点。 你把门一关，它转身走向客厅，捏起那根逗猫棒。 猫伏低身子，尾巴一下一下拍地。逗猫棒上的羽毛刚晃到半空，猫就蹿起来扑了过去。 最后一瞬，X1把手臂一抬，猫爪擦着空气划了过去。它的手腕又轻轻一抖，羽毛荡回猫鼻尖，猫翻身再扑，它再躲开。几个回合下来，它已经摸透了这只猫的脾气。 晚上你推开门，一句「我回来啦」还没落地，X1已经夹着拖鞋迎上来，送上专属问候：「公主，请换鞋。」 这就是大家梦寐以求的个性化家庭服务——一个能够适应你的习惯、理解你的家庭环境、为你量身定制服务的机器人管家。 但逗猫的手法、回家的「迎接仪式」——每家每户都不一样。这些东西出厂时预装不了，也穷举不完。 最简单的办法，是你亲自演示一遍给它看。看完，它就会。 为此，诺因（Knowin）发布了生成式学习框架GLOW（Generative Learning of World）。 原文链接：https://knowinai.com/tech.html 他们认为机器人能否走进千家万户，关键在于机器人「 理解人的技能、泛化执行 」。 这背后就是他们独特的判断： 家庭场景的商业化不会从通用能力开始，而会从有限、高频、可验证的任务集合切入。 而且家中有老人、儿童、宠物，有明火和化学品，安全是进入家庭的准入门槛，而不是加分项。 话不多说，我们先看一下「一教就会」效果如何。 「一教就会」，这才是你想要的专属管家 诺因公布了四组实机对照，每组左边是人的操作过程，右边是机器人学完之后自己做。 第一组是开盒收纳。 人示范的时候收的是一样东西，但机器人执行的时候，要收的物品换了另一种。 它先开盖，并且能够泛化识别物品和位置发生变化，再把东西放进盒子，最后合盖，一气呵成。 左：人展示开盒收纳；右： 机器人 换了物品照做（加速4.5倍） 请注意，动作只教了一次，机器人需要利用现场反馈完成每个阶段，成功将收纳这一动作泛化到多种物体和位置。 第二组是浇花。 人用的是黑色细嘴壶，但机器人手边只有一把绿色浇水壶。 壶的大小、颜色、位置发生变化，但它能够准确认出，把从人的操作中学到的抓持、朝向和倾斜关系用到这把壶上，浇完再放回去。 左：人用黑色细嘴壶 浇水 ；右： 机器人 换成绿色浇水壶照做（加速3.5倍） 也就是说，机器人学会的是执行浇花这一任务，而不是简单重复看到的教学动作，能够适应场景中的变化。 第三组是擦桌子，也是最有意思的一组。 人拿着抹布，沿心形轨迹擦了一遍，机器人学完，也擦出了一个心形。 左：人沿心形轨迹擦桌；右： 机器人 复现（加速3.5倍） 它把「擦桌子」这个目标和「怎么擦」这个人的习惯一起学走了。「公主，请换鞋」这种梗，靠的就是这个。 第四组是调酒。 桌上摆着好几个杯子，人先按顺序倒了一遍，让机器人看清先倒哪杯、再倒哪杯。 机器人学完，虽然位置顺序变了，但准确识别物品，依次取杯、倾倒、回正、放回，把多个步骤接成了一套完整的流程。 左： 人依次取杯调酒 ；右： 机器人 复现完整流程（加速12倍） 四组任务，模型权重没有动过一个参数。看过人的操作过程，机器人就能上手，一教就会，并且能泛化到更多位置、物品和场景。 在任务中，AI要协同调用多种能力：识别对象与动作，定位操作目标，判断交互结果，规划下一步。 此外，模型还要具备对物体和位置的泛化能力。 在诺因测试中，GLOW能力斩获三个榜单第一，用数字也证明了其泛化能力之强。 在RoboDojo的18项复杂任务里，GLOW平均成功率62.2%，而 GPT-6(Robocurve)是22.2%,提升了40个百分点。 在专治「背题」的LIBERO-Pro上，GLOW成绩为86.7%，GPT-6 Astra只有58%，单模型这一档86.7的平均分排第一。 在 Embodied Arena 的 2D-Embodied QA Benchmarks 榜单中，在 20 个具身模型中，GLOW以 65.62 的综合得分勇夺第 1，脱颖而出。 核心解密：原生自回归才是行业最优解 机器人观看人的操作视频时，用一个技能编码器把连续的视觉经验压成一份可复用的技能上下文。 它提取的是任务结构，也就是哪个东西是操作对象、要放到哪个区域、动作的先后顺序是什么，以及做到什么样才算完成。 浇水的六个阶段。 上排是人用黑色细嘴壶浇水 ，下排是 机器人 把抓持、 朝向 、倾斜的关系映射到绿色浇水壶上 执行时，这份上下文和当前画面、语言指令、机器人状态拼在一起，逐token生成判断和动作。 GLOW还能结合当前的实时观察，把你昨天的「教学」融入当下的自回归生成中。 它会自主规划路线，避开茶几上的水杯，打开盒子。你还可以用语言随时调整目标和做法。 能这么干，前提是大脑和双手在同一个模型里。 行业里常见的VLA路线，把视觉大模型当个编码器，外接一个动作模块，中间要做复杂的表示转换。 WAM路线则要先生成一段未来的「逼真视频画面」，再输出动作，计算开销很大。 GLOW的核心KnowinGlow是一个原生统一的自回归模型，把视觉、语言、动作编织进同一条序列。 BrainSkill负责空间理解和语义落地，ActSkill负责闭环动作生成，原来分开的「大脑」和「双手」，现在是同一个模型里的两项技能。 它的上下文里装着相机的实时RGB-D画面、你说的那句指令、机械臂当前的关节角度和夹爪开合，以及刚才一秒执行了什么动作、得到了什么反馈。 GLOW把这些物理世界的信息像文字一样连缀成一篇「长文章」，然后顺理成章地续写出下一个动作。 物理推理测试。图中彩色线条是候选动作轨迹，问「为了烹饪番茄该选哪组顺序」，模型答：切番茄、打开炉火、揭开锅盖、倒油、放入番茄 续写出来的也不是「move_to(cup)」这种模糊指令。 模型直接生成末端执行器的三维位姿、相对平移与旋转增量，以及夹爪的开合控制，精准到毫米。 目标点定位测试。左：「把橙色积木放到绿色积木上」，模型给出目标点[[368,664]]；右：「在蓝色杯子与青色碗之间的空闲区域标出位置」，模型给出[[534,800]] 而诺因选择这条路线，看中的不只是「教一遍就会」，还有统一建模与持续学习的长期价值。 而GPT-6 Astra在操作机器人上的最新进展，则进一步佐证了诺因长期坚持的自回归技术路线。 Harness系统与闭环反馈：给机器「痛觉」和「记忆」 学会了，还得做得成。真实的物理世界里，抽屉可能卡住，杯子也可能从夹爪里滑出去，光有计划不够。 这一点上，诺因直接把刚被Brockman叫作AGI的GPT-6 Astra拉进了同一个仿真厨房。 结果，号称AGI的GPT-6，卡在了一个抽屉上。只因它不知道自己的手有没有被挡住。 但GLOW知道。它有一套叫Harness的任务运行系统，每做一个动作都会拿到一份执行回执。 比如系统下达「向柜体走24.3毫米」，回执显示实际只走了1.6毫米。 位移残差一出来，系统立刻明白遇到物理阻力了。这个「受阻」结果连同夹爪状态和新画面一起进入下一轮上下文。 大脑随即决定，是继续用力，还是换个姿态重来。 同样的任务、同样的起点，让GLOW和GPT-6 Astra