智元机器人近日宣布开源通用具身基座大模型GO-1（Genie Operator-1），这是全球首个采用Vision-Language-Latent-Action（ViLLA）架构的具身智能模型。此次开源旨在降低具身智能的技术门槛，让更多开发者能够参与这一前沿技术的应用与发展。该模型的发布紧随今年1月开源的AgiBot World具身智能百万真机数据集，标志着具身智能技术正加速走向开放共享。
GO-1模型的核心突破在于其创新的ViLLA架构，相比传统Vision-Language-Action（VLA）架构，通过引入隐式动作标记，成功实现了图像、文本输入与机器人动作的精准连接。该架构采用三层设计：基于InternVL-2B构建的VLM多模态理解层，可处理视觉、力觉和语言信息；Latent Planner隐式规划器能理解复杂任务；Action Expert动作专家则通过扩散模型生成高精度动作序列，确保机器人完成精细操作。这一技术突破使机器人能更准确理解人类意图，执行更复杂的操控任务。
为降低开发门槛，智元同步推出了Genie Studio开发平台，提供从数据采集到模型训练、仿真评测的全流程解决方案。平台集成GO-1模型，配备视频训练方案和统一框架，显著提升开发效率。值得注意的是，虽然GO-1基于AgiBot G1机器人数据预训练，但已在多种平台验证中展现出优异的可移植性，适应不同机器人需求。开发者现可通过GitHub仓库获取该模型，无论是AI专家还是技术爱好者，都能借助这一工具开启具身智能开发之旅。
原创文章，作者：泡沫大盗，如若转载，请注明出处：https://www.kejixun.co/article/734602.html
