智元GO-3拿下三大機器人榜單第一，年底全面開源
nashnova research
智元發佈具身智能模型GO-3 Preview，橫掃RoboDojo、RoboTwin、RoboColiseum三大榜單第一並擊敗GPT-6 Astra；這意味著→專用機器人模型在操作類任務上首次系統性壓過通用大模型，年底全面開源後行業格局可能改寫。
這個模型到底解決了甚麼行業痛點？
GO-3的核心目標是打通預訓練→後訓練→部署後三段能力鏈路，終結機器人「畢業即巔峰」的頑疾。
簡單來說＝過去的機器人出廠時能力最強，之後只會退化；GO-3要令機器人上崗後仍能持續進化。
這反映出行業競爭焦點已從「出廠能做甚麼」轉向「部署後能學多快」。
預訓練階段靠甚麼實現「零樣本泛化」？
智元推出百萬量級真機數據集AGIBOT WORLD 2026，是行業首個系統性覆蓋具身智能全域研究的數據集。
模型架構叫WRAM（World Reasoning Action Model），將「理解任務—預測未來—生成動作」統一在一條鏈路上。
WRAM有三個關鍵機制：CoAE（面向控制的視覺編碼器）、SVP（單步視覺規劃器，一步生成完整未來預測）、KASO（知識對齊的選擇性優化，篩走模糊候選，避免動作被「平均」成四不像）。
這意味著→GO-3面對未見過的任務可以零樣本泛化，精細操作只需少量示範，微調後能完成樂高抓取、雙手持物開門等高難度動作。
後訓練怎麼把成功率從81%拉到97.3%？
智元搭建了後訓練基礎設施Genie Evolver，由真機、物理仿真、世界模型三引擎協同驅動。
核心算法是FERT（失敗引導的經驗檢索微調）：機器人失敗時，用失敗前情境做查詢詞，從機群共享的成功經驗池中檢索最相關軌跡重點訓練。
說白了＝一台機器人犯的錯，所有機器人都能從中學到別人怎樣做對了。
五項真實任務測試中，平均成功率從81.0%升至97.3%，故障率相對降低86.0%；手機包裝任務失敗次數減少92%，摺衫成功率從85.8%升至98.3%。
世界模型環境裡機器人能學多快？
系統通過經驗回溯樹搜索、樹結構價值評估、測試時物理對齊三項機制加速學習。
桌面冰壺任務在線改進四小時後首次超過人類平均水平；抽積木實現連續抽取五塊並保持穩定。
這意味著→世界模型不只是模擬器，而是一個能壓縮學習時間的加速引擎。
部署後「遞歸自我改進」在真實場景跑通了嗎？
智元發佈具身Agent框架Genie Master，首次在真實便利店驗證Physical RSI（遞歸自我改進）。
框架通過EEP（具身執行協議，貫通上層推理與底層執行的關鍵接口）實現端到端閉環。
Harness RSI把失敗教訓沉澱為長期記憶規則，Policy RSI把異常接管數據回流底層策略訓練——完整任務成功率從28.6%升至85.7%，單任務成功率額外提升17.7%。
接下來的關鍵驗證節點是甚麼？
智元宣佈11月2日開啟24小時便利店直播，六台G2機器人將在無人在環狀態下接受連續上崗考核。
這意味著→實驗室數據能否在更大規模真實部署中站住腳，直播將是第一次公開壓力測試。
GO-3預計年底全面開源，若直播驗證通過，這套全鏈路Scaling方案有望成為行業基準。
市场有风险，内容仅供研究参考，不构成投资建议。