智元 GO-3 Preview 发布:学习延伸到部署之后,报道未提权重与 API
据机器之心 2026 年 10 月 29 日报道,智元发布具身模型 GO-3 Preview,称在 RoboDojo、RoboTwin、RoboColiseum 三项评测排名第一,并以 WRAM、Genie Evolver、Genie Master 覆盖预训练、后训练与部署后学习;报道未提及公开权重、许可或对外 API。
发生了什么
据机器之心 2026 年 10 月 29 日报道,智元当日发布具身模型 GO-3 Preview,称其在 RoboDojo、RoboTwin、RoboColiseum 三项评测中排名第一,并把学习过程分成预训练、后训练与部署后三段。预训练侧,报道称约九成预训练数据来自人类第一视角数据,模型采用 WRAM 架构:CoAE 从相机画面提取物体位置、形态与相互关系;SVP 通过一次前向计算预测多个未来时刻的视觉状态,再由逆动力学模型结合机器人自身状态转成动作;KASO 生成多个候选未来,按与真实动作的相容程度挑选结果参与联合训练。报道把预训练后的能力分成 zero-shot 与 few-shot 两档,前者指无需目标任务专属真机监督微调的迁移能力,后者用少量示范提升复杂操作的精度与协调性,并称已具备数百种任务的开箱即用能力;跨本体演示放在双足人形机器人 X2 上,完成双手持物开门与跪地取物。后训练侧,Genie Evolver 把百台级真机、物理仿真与世界模型组成分布式环境,用 CEL(群体经验学习)汇总执行经验;报道给出的数字是同等训练时间下,随参与学习的真机规模扩大,手机包装任务成功率由 50.8% 升至 98.3%,多阶段手机包装长流程 120 次测试的失败次数由 25 次降至 2 次。部署后侧,Agent 框架 Genie Master 用 EEP 串起能力调用、执行反馈与断点重规划,并把成功、失败和异常恢复案例沉淀为记忆或训练数据;报道称搭载该框架的精灵 G2 已在真实便利店做补货、取货与熟食打包的部署验证。
对开发者的影响
报道没有交代 GO-3 Preview 的权重是否公开、采用何种许可,也没有提到对外 API 或 SDK,因此仅凭这篇源文,开发者无法判断它能否下载、能否调用;这条消息暂时不构成任何现有接入路径的替代方案,更像方法与评估层面的信号。以下几点值得带走。第一,部署期数据回流到策略,意味着模型不是发布即固定的检查点,同一台机器、同一条指令在不同时间可能落到不同策略上,可复现性与回归测试的假设要跟着改——这是基于报道描述的推断,不是源文表述。第二,报道把 zero-shot 与 few-shot 明确分开:前者指无需目标任务专属真机监督微调的迁移能力,后者用少量示范提升精度与协调性,这实际上是一套可以直接照搬的评估切分方式,比笼统的“开箱即用”更可操作。第三,跨本体能力只在 X2 上演示了双手持物开门与跪地取物,报道未给出换用其他机械臂与夹爪的数据,本体迁移成本仍是未知项。需要提醒的是,三项评测第一、成功率与失败次数均为厂商自报,源文未列出各项分数、参评对手、基准版本、任务集与随机种子,“几个小时取得高于普通人类玩家的胜率”也没有样本量与规则说明,这些只宜当作方向性信号,不宜作为选型依据。
接入与评估建议
以下为建议与条件性分析,不是报道事实。其一,是否预留示教采集预算。报道称模型具备数百种任务的开箱即用能力,同时经过少量示范微调后可完成乐高拼装这类接触密集动作。若你的任务以抓取摆放为主、本体与演示配置接近,可先按 zero-shot 流程走;若涉及插接、柔性物体或高精度对位,则应提前准备示范数据。判据是:同一任务在同一本体上各跑不少于五十次,比较 zero-shot 与加少量示范后的成功率差值,该差值需要覆盖采集与标注成本,否则退回 zero-shot。其二,是否为群体经验学习投入多机。报道称在同等训练时间下,随参与学习的真机规模扩大,手机包装任务成功率由 50.8% 升至 98.3%,机制是 CEL 检索成功片段、分析失败上下文并更新共享策略。前提是你拥有多台可并行采集的真机、标准化任务与稳定的环境复位和数据管线;只有单台设备时这套收益无从谈起,应先在单机上建立基线。此外源文没有说明这些真机是否必须为同构本体,这是需要向厂商确认或自行验证的假设,而不是已知条件。判据是以固定回合批(例如每批 120 次)的失败次数为指标,要求集群策略相对单机基线持续下降,同时监控既有任务是否回退。其三,是否允许部署后在线更新策略。报道中 Genie Master 提供两条路径:经验进入提示与记忆以改善任务规划,或执行与恢复数据进入动作策略训练。若任务不可逆或涉及人身安全,建议先只启用记忆层并保留人工兜底;若任务可逆且具备影子模式,再放开策略更新。判据是每次更新前后在同一冻结评测集上的通过率变化,以及能否在可接受时间内回滚到上一版本。
限制与待确认事项
GO-3 Preview 目前不在 KimiSeek 的模型目录中;报道也没有提及任何对外 API 的可用性,若后续出现相关 API 或权重发布,其可用性以厂商智元的说明为准,本站目录不能作为其可获取性的依据。权重是否发布与许可条款是两件事,源文两者都未交代,不能由“未提及”推出“不开放”或“已开放”。三项评测排名第一属厂商自报,源文未给出各评测的对手名单、具体分数、基准版本、任务集与复现材料,因此无法判断领先幅度与可比性,也不能据此否认或确认存在公开对比。成功率由 50.8% 升至 98.3%、失败次数由 25 次降至 2 次均来自厂商提供的实验,缺少随机种子、失败判定标准与人工介入程度的披露。“行业首次在真实业务场景验证 Physical RSI”为厂商表述,未见第三方核验;便利店部署验证的时长、门店数量与异常发生率也未说明。此外,报道没有给出训练或部署所需的算力门槛与成本信息,也没有交代参与规模实验的真机是否为同构本体。