← Todas as notícias

GO-3 Preview da Zhiyuan estende aprendizado ao pós-implantação; relato não cita pesos nem API

Segundo o Machine Heart, em 29 de outubro de 2026, a Zhiyuan lançou o modelo corporificado GO-3 Preview, afirmando que ele ficou em primeiro lugar nas avaliações RoboDojo, RoboTwin e RoboColiseum, e que WRAM, Genie Evolver e Genie Master cobrem pré-treinamento, pós-treinamento e aprendizado pós-implantação; a reportagem não menciona pesos públicos, licença ou API externa.

Publicado Atualizado

O que mudou

Segundo o Machine Heart, em 29 de outubro de 2026, a Zhiyuan lançou naquele dia o modelo corporificado GO-3 Preview, afirmando que ele ficou em primeiro lugar em três avaliações — RoboDojo, RoboTwin e RoboColiseum — e dividindo o processo de aprendizado em pré-treinamento, pós-treinamento e pós-implantação. No pré-treinamento, a reportagem afirma que cerca de 90% dos dados vieram de dados em primeira pessoa humana e que o modelo usa a arquitetura WRAM: o CoAE extrai das imagens da câmera a posição, a forma e as relações mútuas dos objetos; o SVP prevê, em uma única passagem forward, estados visuais em vários instantes futuros, e um modelo de dinâmica inversa os converte em ações combinando o estado do próprio robô; o KASO gera vários futuros candidatos e seleciona, conforme a compatibilidade com as ações reais, resultados para participar do treinamento conjunto. A reportagem divide as capacidades após o pré-treinamento em dois níveis, zero-shot e few-shot: o primeiro designa a capacidade de transferência sem ajuste fino supervisionado com dados reais específicos da tarefa-alvo; o segundo usa poucas demonstrações para melhorar precisão e coordenação em manipulações complexas, e afirma que já há capacidade de uso imediato em centenas de tarefas; a demonstração entre corpos foi feita no robô humanoide bípede X2, realizando abrir uma porta segurando objetos com as duas mãos e pegar objetos ajoelhado. No pós-treinamento, o Genie Evolver reúne robôs reais em escala de centenas, simulação física e modelos de mundo em um ambiente distribuído, e usa CEL (aprendizado de experiência coletiva) para agregar experiência de execução; os números citados são: com o mesmo tempo de treinamento, à medida que cresce a escala de robôs reais participantes, a taxa de sucesso na tarefa de embalagem de celulares sobe de 50,8% para 98,3%, e o número de falhas em 120 testes do fluxo longo e multifásico de embalagem de celulares cai de 25 para 2. No pós-implantação, o framework de agente Genie Master usa EEP para encadear chamadas de capacidade, feedback de execução e replanejamento a partir de pontos de interrupção, e consolida casos de sucesso, falha e recuperação de exceções como memória ou dados de treinamento; a reportagem afirma que o Genie G2 equipado com esse framework já passou por validação de implantação em uma loja de conveniência real, realizando reposição, coleta de produtos e embalagem de alimentos prontos.

Impacto para desenvolvedores

A reportagem não informa se os pesos do GO-3 Preview são públicos, qual licença adota, nem menciona API externa ou SDK; portanto, apenas com este texto-fonte, desenvolvedores não podem saber se ele pode ser baixado ou chamado; esta notícia, por ora, não constitui uma alternativa a qualquer caminho de integração existente, e parece mais um sinal nos níveis de método e avaliação. Vale reter os pontos a seguir. Primeiro, o retorno de dados durante a implantação para a política significa que o modelo não é um checkpoint fixo após o lançamento: a mesma máquina e o mesmo comando podem, em momentos diferentes, cair em políticas diferentes, e as premissas de reprodutibilidade e de testes de regressão precisam mudar junto — isto é uma inferência baseada na descrição da reportagem, não uma afirmação do texto-fonte. Segundo, a reportagem separa explicitamente zero-shot e few-shot: o primeiro designa a capacidade de transferência sem ajuste fino supervisionado com dados reais específicos da tarefa-alvo; o segundo usa poucas demonstrações para melhorar precisão e coordenação, o que na prática é um recorte de avaliação que pode ser adotado diretamente, mais operacional do que um 'pronto para uso' genérico. Terceiro, a capacidade entre corpos foi demonstrada apenas no X2, com abrir porta segurando objetos com as duas mãos e pegar objetos ajoelhado; a reportagem não fornece dados com outros braços robóticos e garras, e o custo de transferência entre corpos continua desconhecido. Cabe lembrar que o primeiro lugar nas três avaliações, as taxas de sucesso e o número de falhas são todos autorrelatados pelo fabricante; o texto-fonte não lista as pontuações de cada item, os concorrentes participantes, a versão dos benchmarks, o conjunto de tarefas e as sementes aleatórias, e a afirmação de que 'em poucas horas se obtém uma taxa de vitória superior à de jogadores humanos comuns' também não traz tamanho de amostra nem regras, de modo que isso deve ser tomado apenas como sinal direcional, não como base para escolha.

Integração e avaliação

O texto a seguir traz sugestões e análises condicionais, não fatos da reportagem. Primeiro, se deve reservar orçamento para coleta de demonstrações. A reportagem afirma que o modelo tem capacidade de uso imediato em centenas de tarefas e que, após ajuste fino com poucas demonstrações, consegue realizar ações de contato intenso como montagem de Lego. Se suas tarefas forem predominantemente de pegar e posicionar, e o corpo robótico e a configuração da demonstração forem próximos, pode-se começar pelo fluxo zero-shot; se envolverem encaixe, objetos flexíveis ou alinhamento de alta precisão, deve-se preparar dados de demonstração antecipadamente. O critério é: executar a mesma tarefa no mesmo corpo robótico pelo menos cinquenta vezes em cada caso, comparar a diferença de taxa de sucesso entre zero-shot e após acrescentar poucas demonstrações; essa diferença precisa cobrir o custo de coleta e anotação, caso contrário, volte ao zero-shot. Segundo, se vale investir em múltiplos robôs para o aprendizado de experiência coletiva. A reportagem afirma que, com o mesmo tempo de treinamento, à medida que cresce a escala de robôs reais participantes, a taxa de sucesso na tarefa de embalagem de celulares sobe de 50,8% para 98,3%, e o mecanismo é o CEL recuperar segmentos bem-sucedidos, analisar o contexto de falha e atualizar a política compartilhada. A premissa é ter vários robôs reais capazes de coletar em paralelo, tarefas padronizadas e reinicialização de ambiente estável e pipeline de dados estável; com apenas um dispositivo, esse ganho não se aplica, e primeiro se deve estabelecer uma linha de base em uma única máquina. Além disso, o texto-fonte não esclarece se esses robôs reais precisam ser corpos do mesmo tipo; essa é uma hipótese a confirmar com o fabricante ou verificar por conta própria, não uma condição conhecida. O critério é usar o número de falhas em lotes fixos de episódios (por exemplo, 120 por lote) como métrica, exigir que o número de falhas da política do conjunto caia continuamente em relação à linha de base de uma única máquina e monitorar se as tarefas existentes regridem. Terceiro, se permitir atualização online da política após a implantação. Na reportagem, o Genie Master oferece dois caminhos: as experiências entram em prompts e memória para melhorar o planejamento de tarefas, ou dados de execução e recuperação entram no treinamento da política de ação. Se a tarefa for irreversível ou envolver segurança pessoal, recomenda-se ativar apenas a camada de memória e manter uma salvaguarda humana; se for reversível e houver modo sombra, então liberar a atualização da política. O critério é a variação da taxa de aprovação no mesmo conjunto de avaliação congelado antes e depois de cada atualização, e se é possível reverter para a versão anterior em tempo aceitável.

Limites e pontos a confirmar

No momento, o GO-3 Preview não está no catálogo de modelos do KimiSeek; a reportagem também não menciona a disponibilidade de qualquer API externa. Se surgirem posteriormente APIs ou lançamentos de pesos relacionados, sua disponibilidade deve ser pautada pelas declarações do fabricante Zhiyuan; o catálogo deste site não serve como base para sua obtenção. Se os pesos serão publicados e os termos de licença são duas coisas distintas; o texto-fonte não aborda nenhuma das duas, e não se pode concluir 'não aberto' ou 'já aberto' a partir de 'não mencionado'. O primeiro lugar nas três avaliações é autorrelatado pelo fabricante; o texto-fonte não fornece a lista de concorrentes de cada avaliação, as pontuações específicas, a versão dos benchmarks, o conjunto de tarefas e materiais de reprodução, portanto não é possível julgar a margem de liderança ou a comparabilidade, nem negar ou confirmar a existência de comparações públicas com base nisso. A taxa de sucesso de 50,8% para 98,3% e a redução de 25 para 2 falhas vêm de experimentos fornecidos pelo fabricante, com falta de divulgação de sementes aleatórias, critérios de determinação de falha e grau de intervenção humana. A afirmação de que é a 'primeira vez no setor que se valida Physical RSI em um cenário de negócio real' é uma declaração do fabricante, sem verificação de terceiros; a duração da validação de implantação na loja de conveniência, o número de lojas e a taxa de ocorrência de anomalias também não são informados. Além disso, a reportagem não fornece o limite de poder computacional nem informações de custo necessários para treinamento ou implantação, e também não esclarece se os robôs reais que participaram dos experimentos de escala eram corpos do mesmo tipo.

Três minutos até a primeira chamada

Crie uma conta e uma chave de API. O custo das chamadas é descontado do seu saldo. 30% de desconto na primeira recarga. Recarregue ¥500, pague ¥350, receba ¥500 de saldo. Recarregue ¥1000, pague ¥850, receba ¥1000 de saldo A recarga mínima continua sendo ¥10, adequada para testes.

Fontes e processo editorial

刚刚,机器人学习进入「全链路Scaling」时代

A IA auxiliou a análise e a tradução das fontes citadas, seguidas de verificações automáticas. Recomendações não são resultados de testes. Consulte o catálogo atual para preços e disponibilidade.