智元发布 GO-2：动作空间推理 + 全生命周期闭环，让机器人稳定可靠落地

当你让机器人从厨房台面上拿一杯水递给客人时期待的是它能避开杂乱的餐具、准确握住杯子、平稳走到你面前——而不是杯子歪了、水洒了或者中途“迷路”。“听懂并准确做对”的朴素需求正是真实场景对具身智能的核心考验。在过去很长一段时间里具身智能始终在接近这个目标却始终隔着一层难以逾越的壁垒。机器人能听懂“把杯子拿过来”也能精准识别杯子的位置在理想化的仿真环境中它的路径规划几乎不会出错可一旦走进真实的物理空间各种意外便接踵而至反光的厨房台面会让它的末端出现明显偏差杂乱的物品摆放常导致它抓握空落若是遇到“热牛奶递杯子”这类多步骤长任务细微的误差会不断累积最终让整个任务功亏一篑。规划越是完美执行越是容易脱节任务越长稳定性越难保障这就是具身智能在真实场景中面临的尴尬现状。这并不是个例而是整个行业共同面对的现实困境。机器人的高层语义推理不断变强底层控制算法持续优化但二者之间始终存在一条看不见的鸿沟理解足够聪明执行却不够扎实规划足够合理落地却不够稳定。核心困境语义与运动之间的无形鸿沟传统VLA模型把感知、推理、动作挤压在同一套表征体系里模型既要理解场景语义又要输出毫米级别的动作指令最终顾此失彼。要知道语义是离散、符号化的而动作是连续、低维、高精度的用同一套表征强行兼顾正是问题的根源。更关键的是执行模块为了响应实时性往往绕过高层规划直接依赖瞬时观测生成控制量长时域任务的一致性几乎无法保证。这就是“Semantic-Actuation Gap”——机器人脑子里能“理解任务”比如知道要拿哪个杯子但手上的动作却“做不到位”比如抓不准、走不稳就像人想写工整字却手抖一样这也是具身智能走向真实世界必须跨过的核心门槛。GO-2的破局之道重构“思考-执行-进化”逻辑在这样的背景下智元新一代具身基座模型 Genie Operator-2GO-2正式亮相。它不是一次简单的模型迭代不是在原有架构上增大数据、加深网络而是从推理空间、执行架构、落地闭环三个根源层面重构了机器人“思考—执行—进化”的完整逻辑。GO-2的突破在于三个核心创新精准破解行业痛点①动作空间推理提前模拟多种执行路径比如绕开障碍物的3种方式避免临时决策失误从源头减少执行偏差②异步粗精执行先规划“大致路线”粗执行再通过实时传感器反馈微调细节精执行彻底解决轨迹漂移、姿态晃动的问题③全生命周期智能体闭环每次执行后自动记录误差如抓握力度不足、位置偏差下次执行时直接优化调整让机器人在反复实践中持续提升稳定性。这套创新设计让GO-2首次在统一架构内实现了动作空间推理、异步粗精执行、全生命周期智能体闭环的深度融合真正实现从“理解任务”到“稳定完成任务”的跨越让具身智能的核心目标——“知行合一”不再是口号。从GO-1到GO-2从“能做”到“稳定做”的跨越回望智元在具身智能领域的技术路径从 GO-1 到 GO-2 的演进清晰而坚定。GO-1 凭借 ViLLA 架构首次实现视觉-语言-动作的统一表征建模把机器人从专用策略带入通用基座模型时代。它让机器人具备了跨场景感知、泛化指令理解、基础动作执行的能力在真实环境中完成了规模化落地验证实现了“能做”的突破——比如单次拿杯子成功率可达70%。但当任务进入长时域、多扰动、多物体交互的场景时GO-1规划与执行断裂的问题被无限放大像“取快递拆包装放桌上”这样的长任务其成功率仅45%一旦遇到有人碰了桌子、物品位置轻微移动等扰动就很容易任务失败。而GO-2的诞生正是为了补上这最后一块短板它将长任务成功率提升至82%且在多扰动场景下机器人的恢复能力提升3倍真正实现了从“能做”到“稳定做”的跨越。一、回归动作本质把推理空间从语言与视觉拉回到动作本身传统VLA模型的推理过程始终局限在感知空间而非动作执行空间。一类方法在语言空间拆分子任务将复杂行为转化为文本化步骤另一类在视觉空间预测目标图像或未来状态用视觉表征间接引导动作生成。两种路径都无法回避一道核心障碍 ——语义 - 运动学鸿沟必须把抽象的语义或视觉表示强行映射为连续、精准、时序一致的物理动作。这套间接推理模式在实验室可控环境中尚能取得不错效果但一旦进入光照变化、相机位移、物体布局扰动、纹理改变的真实场景信息损耗、分布偏移与执行偏差几乎不可避免机器人行为会变得脆弱、敏感、难以稳定复现。大量实验反复验证中间推理表示越抽象向动作空间传递的细粒度信息越弱推理与实际执行的距离越远长时域任务越容易累积误差而崩溃。 由此引发出新的思考判断机器人最可靠的推理不应发生在语言或视觉空间而应直接发生在动作空间。这正是 ACoT-VLA 的底层创新逻辑。模型不再先生成文本或图像类中间量而是直接输出结构化、运动学合理、可直接指导执行的粗粒度动作意图序列即动作思维链Action Chain-of-Thought。这条思维链并非对任务的自然语言描述而是机器人内部的运动预演是执行层可直接理解的意图轨迹。它从根源上消除了感知到动作的跨空间异构映射偏差让规划输出本身就具备物理落地性。为让动作空间推理具备强鲁棒性与泛化性ACoT-VLA 构建了显式 隐式双路径互补推理机制显式动作推理器EAR生成粗粒度参考动作轨迹为机器人提供清晰的运动骨架明确运动路径、姿态变化与时序结构隐式动作推理器IAR从VLM的内部表征中提取潜在线索捕捉场景可供性、接触意图、空间约束、运动趋势等难以用显式轨迹完整描述的先验信息。双路径融合后机器人从 “边感知边反应” 的被动策略升级为先形成可执行运动方案、再精准落地动作的主动具身智能体。在真实桌面操作任务中这一范式革新带来直观的体验提升抓取不再空夹、移动不再飘移、放置不再偏移。在 LIBERO 仿真基准上动作原生推理带来稳定且显著的性能提升平均成功率达到 98.5%尤其在需要严格误差控制的长时域操作任务上提升幅度远优于传统语言 / 视觉思维链方法。核心原因在于动作思维链天然为长序列动作提供结构化约束让误差不再无限制扩散。对真实机器人部署而言这一突破的价值远不止指标提升。它让机器人首次具备接近人类的决策模式先在运动层面形成完整意图再分步稳健执行而非依赖瞬时视觉刺激做被动反应。这种动作中心化的推理模式使机器人在复杂场景、强干扰场景、长序列任务中保持高度行为一致性实现了传统 VLA 模型难以达到的部署稳定性与泛化能力是通用机器人从 “感知理解” 走向 “物理落地” 的关键一步。二、解开执行矛盾用异步分层双系统让规划稳定落地动作推理的问题解决后下一个工程瓶颈自然浮现即使推理完全正确机器人依然难以做到高频、精准、低延迟的稳定执行。只要深入机器人的行为结构就会发现复杂操作天然具备两层逻辑宏观上机器人需要知道“往哪里去、整体结构是什么、长时域目标是什么”这部分是低频、离散、全局的微观上机器人需要处理“毫米级对位、接触调整、姿态修正、力度控制”这部分是高频、连续、局部的。传统架构把两层目标压在同一个网络、同一个频率中学习结果必然是顾此失彼。宏观规划被细节噪声带偏精细控制被全局意图扰动最终表现为动作响应性不足稍微遇到扰动就失控。GO-2 采用了一套彻底解耦却又高度协同的异步双系统架构把规划与执行分到两套节奏、两套目标、两套模块中运行。低频慢系统语义规划器专注于宏观意图基于预训练VLM主干通过并行解码输出离散的粗粒度动作token以交叉熵损失训练以更低的频率更新输出稳定、长时域、结构化的动作约束形成持续引导执行的意图流填充先进先出FIFO意图缓冲区高频快系统动作细化器专注于实时观测与局部修正采用DiT搭配独立视觉编码器以MSE损失训练以高频率响应环境变化在慢系统给出的约束内完成精准对位、姿态调整、误差修正逐段消费缓冲区中的意图并进行精修。两套系统之间通过意图缓存实现异步流转。慢系统一次性输出一段未来的动作意图时域扩展因子M决定输出长度快系统逐段消费、逐段精修。这种结构带来两个关键收益一是延迟显著降低在RTX 4090平台上相较于基准架构可实现44.5%以上的延迟降低机器人的响应更流畅、更灵敏二是鲁棒性大幅提升在一定范围的观测噪声、物体位置偏移下快系统可将动作拉回正确轨道这得益于粗粒度动作约束的空间容错性。更重要的是这套架构遵循学习均衡的规律。我们在大量消融实验中观察到清晰的规律动作分解的粒度分箱数量N与性能呈现倒U型关系。太粗N≤2精度不足系统退化为纯扩散模型太细N≥50规划复杂度爆炸系统退化为自回归模型。只有在宏观与微观的学习难度达到均衡点实验验证最优分箱数量N10时成功率、泛化性、延迟同时达到最优。GO-2 正是在这个均衡点上工作这也是它在零样本泛化、分布偏移、仿真到真实迁移中保持稳定的核心原因——粗粒度规划提供充足的宏观引导细粒度精修保证精准执行两者学习难度均衡避免单一系统负担过重。在真实场景测试中异步双系统的价值尤为明显桌面高度不一致、物体轻微滑动、光照突然变化等场景下机器人可在线调整动作减少误差累积但仍存在一定局限性——当分箱粒度偏离均衡点、时域扩展因子M过大M≥5时成功率会出现轻微下降平均成功率从97.2%降至95.3%。长时域任务中误差得到有效控制机器人可稳定完成多步骤、多阶段的复杂操作。对于需要连续接触、精细调整、姿态保持的任务比如擦拭、倒水、插入、装配这种结构带来的稳定性提升尤为关键在AgiBot G1机器人平台的真实测试中GO-2完成此类任务的平均成功率达到69.4%显著优于同类模型。这也让 GO-2 在真实硬件上的表现显著区别于前代模型。机器人的运动更加平滑、姿态更加可控、末端更加稳定在低成本执行器、视觉噪声较大的平台上仍能保持较高的任务成功率。这让具身智能模型进一步具备了跨硬件、跨场景、跨扰动的可靠性为工业级落地奠定了基础但目前尚未完全实现成熟的工业级应用仍需在极端场景适配、多硬件兼容等方面进一步优化。三、打通落地闭环让机器人脱离人工看护实现自主进化动作精准、执行稳定仅是机器人技术的基础能力距离真实世界规模化部署仍存在核心瓶颈机器人必须具备自主闭环数据采集、自主执行长时序任务、自主故障恢复、自主策略迭代的全链路能力才能脱离人工依赖。传统机器人系统的最大落地障碍源于全流程高度人工介入与架构割裂。数据采集依赖人工示教、环境重置依赖人工操作、任务执行依赖人工监控、故障处理依赖人工干预任务复杂度越高人力成本呈指数级上升规模化部署完全无法实现。仅优化单步操作策略无法解决长时序任务误差级联、训练与部署语义/分布不匹配、系统扩展性差的根因问题。GO-2将系统架构提升至全生命周期智能体闭环层级以统一VLM元控制器、全生命周期一致上下文语义、同一套决策逻辑深度融合数据采集、策略学习、任务执行、故障恢复与持续进化。在数据采集阶段机器人基于纠缠动作对EAP机制将前向操作策略与逆向恢复策略深度耦合构建自重置循环。完成单次操作后机器人可自主将环境恢复至可复用的初始状态无需人工介入即可实现连续在线rollout与策略迭代。真实场景实验数据验证该模式可降低53.7%的人工时间投入人工干预频率降低8.04倍让低成本、规模化数据采集成为现实。在部署阶段机器人摒弃静态技能序列与固定脚本执行模式依托结构化记忆与上下文推理自主完成任务拆解、技能动态调度与子任务执行状态实时校验。针对抓取空抓、位姿偏移、物体倾倒等异常机器人可自主区分非退化故障与退化故障完成重试、环境恢复、重规划等操作实现无人工持续看守的稳定运行。更核心的是真实执行轨迹可直接回流至训练pipeline让策略在真实环境扰动、真实故障场景中持续迭代优化真正实现每一次执行都是一次学习每一次迭代都提升鲁棒性与泛化能力长时序任务成功率相较基线方法**提升25%**。这并非传统意义上的单步动作策略而是一套具备自主感知、自主推理、自主执行、自主修复、自主迭代能力的具身智能体。它不再局限于解决单一动作精度问题而是打通机器人从实验室走向产业现场的全链路攻克长时序任务执行脆弱、人工依赖过重、无法规模化扩展的行业难题。对于企业级部署与规模化落地而言这套全生命周期闭环的价值具备决定性意义。机器人无需大量现场工程师持续调试、维护与干预可实现长时间、少人看护条件下的稳定运行数据不再依赖高成本人工采集可在部署过程中自主生成、自主迭代模型不再是交付后固定不变的软件包而是能够持续进化、持续适配场景、持续提升性能的智能系统。这让GO-2从单一高性能操作模型真正升级为可规模化落地、自主闭环进化的产业级生产力系统。四、三位一体的统一架构GO-2 真正的范式价值把三层技术逻辑放在一起一条完整、自洽、层层递进的技术路线彻底清晰 第一层把推理放回动作空间从根源消除语义-运动鸿沟 第二层用异步分层双系统让宏观意图与微观控制各司其职达到学习与执行的均衡 第三层用全生命周期智能体闭环让机器人脱离人工看护实现自主数据、自主执行、自主进化。GO-2 不是三个独立模块的拼接而是把三者熔铸成一个端到端、同语义、同闭环的统一基座模型。它的内部数据流简洁而强大多模态输入进入模型后先在动作空间完成推理形成结构化意图意图进入异步双系统完成低频规划与高频精修动作输出由智能体闭环调度、监控、校验、自愈执行轨迹回流训练持续优化整个系统。这种融合带来的不是简单的指标提升而是机器人行为范式的改变。在 LIBERO 基准上98.5% 的平均成功率代表机器人在严格控制的长时域操作中达到了前所未有的稳定在 LIBERO-Plus 零样本迁移中86.6% 的成功率体现出对相机、光照、背景、布局等分布偏移的强鲁棒性在 VLABench 纹理泛化任务中大幅领先的成绩来自动作空间特征的域不变性在 Genie Sim 3.0 仿真到真实迁移中82.9% 的成功率证明动作约束在跨域时保持高度一致。这些成绩不是靠更大的模型、更多的数据堆出来的而是靠更贴近物理世界的架构设计带来的。对于行业而言GO-2 的出现标志着一个重要转向具身智能正式从“追求理解能力”进入“追求执行可靠性”的新阶段。过去几年行业的重心放在如何让机器人听懂、看懂、理解任务从 GO-2 开始行业的重心将转向如何让机器人稳定做到、可靠完成、长期运行。这是具身智能从实验室走向现实世界的关键一步。五、从模型到生产力GO-2 的产业级闭环体系GO-2 的价值不止于技术创新更在于它构建了一套可工业化、可规模化、可持续进化的产业体系。依托 Genie Studio 一站式具身开发平台GO-2 形成了从预训练、在线后训练、多机协同数据采集到持续迭代的完整链路。它不再是一个静态模型文件而是一套可以在真实世界中持续学习、持续变强的生产力系统。云端与多机器人协同采集真实交互数据在线后训练持续优化策略每一次部署、每一次执行、每一次恢复都在为模型提供新的经验。机器人不再是交付后就停止进化的设备而是可以伴随场景持续成长的智能体。对于家庭、商用、工业等各类真实场景而言这意味着更低的部署成本、更高的稳定性、更强的场景适应能力。在实际落地案例中这套体系已经展现出清晰的价值。在桌面整理、仓储分拣、商用服务、家庭辅助等场景中GO-2 能够在较少人工干预的条件下快速适配新场景、新物体、新任务。模型不需要从零开始训练只需要少量真实交互数据就能快速迭代、快速收敛、快速落地。这大大降低了具身智能的使用门槛让VLA基座模型真正走进产业现实。从技术研发到产业落地GO-2 搭建了一座完整的桥梁。它不再是实验室里只能演示的模型而是能够在真实环境中创造价值、提升效率、降低成本的生产力工具。这也是智元在具身智能领域一贯坚持的方向让技术真正落地让机器人真正可用。六、迈向具身智能的下一个时代记忆、行动与闭环智能在 GO-2 稳定动作能力的基础上智元正在推进更完整的具身智能架构。当机器人可以稳定可靠地执行动作后下一个核心能力自然浮现记忆与经验复用。OpenClaw 记忆系统让机器人可以记录历史交互、积累操作技能、复用已有知识在新任务中快速迁移、快速适应。当动作空间推理、异步分层执行、长期记忆、智能体闭环结合在一起机器人就进入了真正的具身智能体时代感知、推理、行动、记忆、自愈、进化形成完整闭环。这也是 GO-2 为行业打开的新方向具身智能不再是感知与动作的简单拼接而是推理、执行、记忆、进化的统一体系。未来的具身智能将不再只是执行指令的机器而是能够理解任务、自主规划、稳定执行、记住经验、持续进化的真正智能体。它能够在复杂环境中长期运行、自主维护、自主优化、自主成长。它能够从每一次任务、每一次交互、每一次恢复中学习变得越来越可靠、越来越聪明、越来越贴合人类需求。这正是 GO-2 所开启的未来。结语从 GO-1 到 GO-2是具身智能从“理解世界”到“稳定作用于世界”的范式跃迁。 GO-2 没有停留在增强感知、扩大模型、增加数据的传统路径而是回到机器人最本质的需求如何稳定地在物理世界中完成任务。它以动作空间推理重构机器人的思考方式以异步分层双系统保证执行的稳定与流畅以全生命周期智能体闭环打通真实落地的最后一公里。它回答了具身智能长期以来的三个核心问题 机器人该在哪里思考——在动作空间。 机器人该如何稳定执行——异步分层学习均衡。 机器人如何走向真实世界——自主闭环持续进化。GO-2 不仅是一个新一代具身基座模型更是具身智能走向“知行合一”的里程碑。它让机器人不再只是能理解、能规划、能演示的实验室系统而是能稳定、可靠、自主地在真实世界中完成任务的生产力智能体。这正是具身智能走向现实的真正方向。