智元发布GO-2基座模型，定义具身智能“知行合一”新高度

当一个机器人站在你面前你对它说一句“把杯子拿过来。”它听懂了也知道杯子是什么、在哪里甚至已经在 “脑海里” 规划出一条看似完美的路径。可真正伸手去执行的那一刻动作却常常偏离规划无法稳定完成。为什么会这样过去很长一段时间里机器人系统始终被困在一种深层割裂之中高层语义与推理足够聪明底层动态运动能力也已日趋成熟像平衡、跑跳、空翻这类动作早已实现稳定流畅。但一旦进入真实场景、面向复杂任务、需要精准可靠地与物理世界交互时从 “理解意图” 到 “稳定完成” 之间依然隔着一道看不见的门槛。机器人可以生成合理规划却难以在真实扰动中稳定执行可以 “想得明白”却未必 “做得可靠”。这才是具身智能真正走向现实世界、走向实用化最核心的挑战。4月9日智元机器人正式发布新一代具身基座大模型Genie Operator-2以下简称GO-2。GO-2 首次在统一架构中打通从逻辑推理到精准动作执行的“最后一公里”结合数万小时的数据训练在多个机器人基准测试中刷新行业 SOTA让机器人从“黑盒摸索”迈向真正的 “知行合一”。GO 系列的关键进化从感知理解到动作执行一年前智元发布了Genie Operator-1简称GO-1基座模型通过创新的ViLLA架构首次实现了视觉-语言-动作的统一建模。那是一个里程碑式的突破——GO-1 获得了当年IROS最佳论文提名被机器人顶级期刊TRO接收荣获世界人工智能大会SAIL之星并且已经内置到智元的一站式具身开发平台Genie Studio中真正赋能给用户部署模型在真实场景完成了大规模应用验证。GO-1 让机器人学会了“理解”。它能看懂指令能识别场景能规划任务。然而当系统进入更加复杂的真实环境后一个关键问题逐渐显现机器人虽然能生成合理的规划但动作并不总能严格按照规划执行。想象一下你让机器人帮你整理厨房。它明明知道要先把碗碟从水池取出再放进洗碗机最后启动程序。单看规划一切完美无缺。可真正执行时它可能因为微小的视觉偏差抓偏碗沿或是转身时手臂轨迹偏离预设最终导致碗碟滑落、任务失败。这不是规划不够聪明而是从 “规划” 到 “执行” 之间的断裂。其核心正是机器人系统中长期存在的语义‑运动鸿沟Semantic‑Actuation Gap。在传统具身模型中链路往往是割裂的高层语义推理 → 抽象指令 → 控制系统 → 机器人动作。高层模型输出的抽象信号与真实世界所需的精细动作之间仍隔着巨大落差。到了执行环节控制模块常常绕过规划、直接依赖瞬时视觉生成动作最终导致长程任务误差不断累积、动作持续偏离规划、系统整体稳定性大幅下降。而新一代基座模型 GO‑2 要做的正是弥合这道鸿沟。GO‑2 的目标清晰而坚定让机器人不只理解世界更能稳定、可靠地作用于世界。GO-2 的核心理念让机器人真正“知行合一”进一步把问题拆解来看要让机器人真正做到知行合一系统需要同时解决两个关键问题如何生成“可执行”的动作规划如何在真实环境中“稳定执行”该规划。GO-2 围绕这一问题构建了一套完整架构 先通过动作思维链完成高层动作推理再通过异步双系统稳定执行。首创动作思维链在动作空间推理规划在传统方法中模型通常直接从感知输入生成控制信号。这意味着“思考”和“执行”被压缩在同一个瞬间完成缺乏明确的中间结构。模型既要理解任务又要完成精细控制往往难以兼顾。但人类的行为并不是这样发生的。投篮之前我们会在脑海中预演出手的轨迹倒水之前会先想象水流的路径。动作并不是凭空产生而是在内部形成一个清晰的过程之后自然展开。GO-2 将这一过程显式化引入了动作思维链 (Action Chain-of-Thought)。与其在语言或视觉空间中进行推理再将结果转换为动作GO-2 直接在动作空间中完成这一过程。模型不会立即输出控制信号而是先生成一段高层动作序列作为任务的整体规划。这一序列描述了行为的方向、结构以及执行路径是一种可以直接被执行系统理解的中间表示。通过这种方式复杂任务被自然拆解为有序的动作步骤。执行过程不再依赖即时反应而是建立在已经形成的结构化路径之上。机器人从“边看边做”转变为“想清楚再做”执行偏差随之显著降低整体行为也更加稳定。这一能力的提出使得“推理”和“执行”之间不再存在明显断层规划本身就已经具备了可执行性。这一成果也已被AI顶级会议 CVPR 2026 接收成为具身智能领域的重要进展。论文地址https://arxiv.org/abs/2601.11404异步双系统让规划被稳定地执行为了解决执行稳定性问题GO-2 引入了一种异步双系统架构将“规划”和“执行”拆分为两个不同节奏的模块同时保持它们之间的紧密协同。其核心目标并不是简单地提高控制精度而是确保高层规划在真实环境中能够被持续、稳定地跟随。在这一架构中动作思维链自然成为慢系统的一部分。慢系统以较低频率运行负责生成结构化的高层动作序列。这些动作并不会直接展开为控制信号而是以逐步细化的方式持续提供指导从宏观动作到子动作再到更细粒度的行为片段形成一个具有层次结构的动作表示。通过这种方式高层规划不再是一次性的结果而是一个持续约束执行方向的“意图流”。与之对应快系统以更高频率运行。它持续接收来自慢系统的动作规划并结合当前的视觉观测生成具体控制信号。在这一过程中执行并不是对规划的简单复现而是围绕规划进行实时对齐。系统需要不断应对环境变化因此在跟随的同时持续进行局部修正与动态调整。例如当桌面高度与预期不一致时系统会自动调整手臂的下探幅度当物体摩擦特性发生变化时会实时调整抓取力度。这种连续修正使执行始终贴合规划而不是逐步偏离。这种稳定跟随能力的关键在于规划与执行之间的紧密对齐。在训练阶段GO-2 引入了带噪声的强制教学 (teacher forcing) 机制在训练执行模块时使用真实的高层动作序列作为条件同时加入一定扰动以模拟规划误差。这使得模型能够在“接近正确但不完美”的规划条件下依然保持稳定执行从而在实际部署中具备更强的鲁棒性。最终这种低频规划与高频执行的组合使机器人既能保持整体行为的一致性又能够灵活应对局部变化。规划不再停留在“想法”而是能够在动态环境中被持续兑现从而真正实现按规划行事的能力。这一成果也已被AI顶级会议 ACL 2026 接收。论文地址https://libra-vla.github.io/性能表现刷新行业SOTA当“思考”与“执行”真正被打通带来的改变并不仅仅是指标上的提升而是系统行为方式的跃迁。在新的架构设计下GO-2在多个主流具身智能基准测试benchmark 中取得了 全面 SOTA现有最佳技术在任务成功率、环境鲁棒性以及跨场景泛化能力上均显著领先当前主流模型(如π0.5、NVIDIA GR00T)。LIBERO BenchmarkGO-2 模型 在 Spatial、Object、Goal 与 Long 四类任务上均排名第一平均成功率达到 98.5%LIBERO-Plus Benchmark在包含相机、光照、背景和噪声等多种环境扰动的设置下GO-2零样本测试取得 86.6% 平均成功率显著超过现有方法表现出了超强的泛化能力。VLABench Benchmark在跨类别与纹理泛化测试中GO-2 平均达到 47.4特别是纹理泛化任务上显著优于其他方法。Genie Sim 3.0 Benchmark (Sim-to-Real)在面向真实世界迁移的 Genie Sim 3.0 评测中GO-2 展示了良好的零样本跨域迁移能力在仅使用仿真数据训练的前提下在真实环境测试中取得了 82.9% 的平均成功率显著优于 π0.5 77.5%。规模化落地从模型能力到真实世界部署GO-2 的价值并不止于模型本身。在 GO-2 的基础上智元进一步打通模型能力与真实场景部署之间的闭环。通过“基座模型分布式强化学习”的协同范式让机器人在真实环境中持续学习、持续进化。依托Genie Studio开发平台系统构建了面向真实世界的闭环学习能力通过云端与多机器人协同不断采集交互数据并进行在线后训练使模型在真实环境中持续优化而非依赖离线数据或仿真。每一次执行都是一次数据积累每一次反馈都是一次能力提升。通过这一“预训练 后训练 数据闭环”的体系GO-2 不再是静态模型而是能够在真实世界中持续学习、不断进化的生产力系统。结语具身智能的终极追求是知行合一。从 GO‑1 到 GO‑2智元完成了一次从能力到价值的关键跃迁从 “理解世界”走向真正作用于世界从 “偶尔成功”走向持续稳定完成从 “单纯完成动作”走向在物理世界中精准交互、稳定落地。GO‑2 基座模型所做的正是为具身智能打造真正会思考、可信赖、能落地的通用大脑打破语义与动作的割裂让规划与执行真正合一让机器人的每一个动作都能适配物理世界的复杂变量、稳定作用于真实场景。它体现在精准的推理与规划中体现在稳定可靠的执行里更体现在从虚拟仿真到真实世界、从实验室验证研发态到产业落地部署态的实践中——这份实践从来不是单纯的动作运动而是机器人与物理世界精准、可靠、可复用的交互。我们希望它不仅是一个模型更是一个让机器人从 “理解世界”走向 “真正作用于世界”的里程碑。