AREX Feed Article
AGIBOT 发布 GE-Act 2.0 世界—动作模型，自报数据扩展 100 倍后 G1-OP 零样本成功率升至 44.1%
9 月 11 日，AGIBOT（智元机器人）在里宣布推出 GE-Act 2.0（Genie Envisioner Act 2.0），并称这是首个验证预训练与规模扩展路径的“原生”世界—动作模型（WAM）。帖子自报：联合训练数据从 300 小时扩展到 30,000 小时后，G1-OP 机器人上的零样本分布外平均成功率从 17.1% 升至 44.1%，另一款机器人 G2-90D 从 13.4% 升至 31.1%。
发布帖所链接的公布了方法与评估协议；对应的技术报告已提交至 ，提交日期为 9 月 4 日，署名以 AgiBot Research Team 开头。按官方说法，这套模型的可训练生成与动作模块全部从随机初始化开始训练，不继承预训练视频生成器，评估时也不做任务专属微调。
评估设计：四个数据池与零样本、分布外协议
规模研究使用四个逐级包含的数据池：300、1,200、5,000 和 30,000 小时；各组使用相同的预训练模块与训练方案。每个检查点都在两款不同的机器人上评估 100 项原子任务、20 类技能，每项任务在每个机器人、每个规模下各跑 10 次；成功标准预先定义，使用最后一个检查点与固定部署设置，不针对任务调整提示词或挑选检查点。
评估遵循零样本、分布外（OOD）协议：测试使用预训练与联合训练中都没出现过的新物体实例、场景、背景与光照，不做任务或机器人专属微调。项目主页写明，四个数据点只用于比较不同规模，不做曲线拟合，也不外推 30,000 小时以上的结果。
从 5,000 小时扩展到 30,000 小时，性能仍在继续上升；发布帖称 G1-OP 的表现“没有饱和迹象”。
从 39 项到 76 项：成功率提升覆盖的技能组与任务
按技能组拆开，项目主页给出的数字是：提升覆盖 G1-OP 的 19 类技能与 G2-90D 的 18 类技能（共 20 类）；成功率非零的任务数，G1-OP 从 39 项增加到 76 项，G2-90D 从 24 项增加到 72 项。
两款机器人在联合训练数据中的占比相差很大：G1-OP 占 50% 以上，G2-90D 不足 2%。项目主页把 G2-90D 随共享数据规模出现的提升表述为“表明更广泛的训练数据可能带来有效的跨本体迁移”，也就是能力可能从一款机器人迁移到另一款；在最大数据规模下，G2-90D 有 10 类技能各自的数据不足 5 小时，其中 4 类不足 1 小时。项目主页还给出技能覆盖与零样本分布外成功率的相关系数：皮尔逊 r=0.80、斯皮尔曼 ρ=0.85。
数据规模也拓宽了操作技能范围：项目主页称，G1-OP 在 30,000 小时规模下开始成功完成扶正、分离物体等动作；发布帖举出的新技能例子是叠毛巾、套叠纸杯、取下笔帽和插花。
指令指代评估：六个维度与偏置冲突测试
同一零样本协议下，项目主页从物体类别、颜色、尺寸、形状、位置、顺序六个维度评估指令指代；论文摘要称，模型对物体类别、颜色、形状和位置指代的解析在至少 90% 的试验中成立。
另一组演示检验显式指令能否覆盖模型从训练中形成的关联：夹爪已经接近一个物体时，训练数据里的常见下一步是抓取它；鞋子摆在鞋盒旁时，模型容易联想到把鞋子放进鞋盒。测试要求模型把伸手方向改到另一件物体，或把杯子放进鞋盒。项目主页称，这类与已进行的操作或惯常场景关联相冲突的指令也能被遵循，并展示了在杂乱场景中按指令选物、用连续单步指令组合出新的长时序任务。
CoAE、SVP、IDM：从零预训练的三个模块
论文把研究空白描述为：世界—动作模型通过预测未来状态来指导动作，可同时利用无动作视频与带动作标注的交互数据；但多数工作直接继承预训练视频生成器，预训练与规模扩展这条路径本身研究不足。论文称，GE-Act 2.0 因此把可训练的生成与动作模块全部改为在操作数据上从零训练。
流程由三个模块依次完成。面向控制的自编码器（CoAE）把每帧 256×384 的相机图像经 64 倍空间下采样压缩成 24 个潜在 token，并保留像素解码器用于检查预测出的未来画面；它还配有三个对齐头，分别匹配冻结的 SigLIP 2 语义特征、V-JEPA 2.1 运动特征和 DINOv3 密集结构特征。同一探针设置下，CoAE 的 token 数只有 DINOv3 与 V-JEPA 2.1 的十六分之一，但动作恢复误差比二者高 13%～31%；项目主页注明，这类探针独立于真机任务评估。
单步视觉规划器（SVP）在一次可微的 MeanFlow 前向计算中生成完整的未来潜变量序列，替代需要多步去噪的传统生成器，让动作损失可以经由预测的未来传回规划器；逆动力学模型（IDM）从观测到的状态转移中恢复动作，先独立训练，再接入同一输入接口。两个模块使用不同的预训练数据：SVP 39,000 小时，IDM 32,000 小时，与规模实验的 30,000 小时联合训练池不是同一批数据。发布帖还提到，2,000 小时失败操作与部署回放被算作训练资产；项目主页对数据互补性的解释是，机器人轨迹可能缺少语言指令，也可能来自失败尝试。
部署时，机器人只执行近期动作范围内的密集动作片段，延伸至任务末端的稀疏预测只在训练中作为辅助监督。
KASO：筛选与记录动作相容的候选未来
一个正确的视觉预测，不一定与记录的动作相容。同一场景、同一指令，机器人可能以多种方式完成任务：生成的未来可能对应其中一种，而示范记录的是另一种；把两者配对训练，逆动力学模型就会收到错位的监督。项目主页把这种不匹配称为“有效性缺口”。
KASO（knowledge-aligned selective optimization，知识对齐选择性优化）的做法是：先生成多个候选未来；再在固定的高噪声流时间点、用相同的动作噪声，分别以各候选和记录视频为条件探测当前 IDM，按两者响应的差异在动作空间里排序。排序发生在动作空间，因此视觉上不同、但对应相同行为的未来仍可能被判为相容。默认配置选取能量最低的候选，保留其噪声以带梯度重现该预测，再采样新的动作噪声与时间点计算损失，同时更新 IDM 与 SVP。候选选择在每个优化步骤重新进行，不是对生成数据集做一次性筛选。
受控真机消融实验在 G2-90D 上进行：所有变体从相同的完整预训练模块初始化，使用相同的 300 小时连接阶段数据（含 30 小时 G2-90D），不针对评估任务微调。在四物体场景中，KASO 与 E2E+PT 的指令跟随得分持平，但 KASO 把更多正确的目标接触转化为成功抓取。项目主页注明，这组结果来自对齐阶段实验，不代表最终模型性能。
104 毫秒的完整流程，与一行“即将开放”
预测未来状态会增加从观测到动作的计算量，项目主页给出的数字是：GE-Act 2.0 在单张 RTX 5090 上以 104 毫秒完成从三路相机观测到 52 个可执行动作的完整流程；这 52 个动作以 30 Hz 执行，对应约 1.7 秒的运动，通过动作分块在消费级 GPU 上支持实时控制。按项目主页的说明，速度来自三处设计：CoAE 的紧凑视觉序列、SVP 的单次生成，以及 IDM 的五步去噪输出。
外部团队要独立复现这些结果，还差项目主页上那份标注“即将开放”的代码。