具身世界模型新一代原生范式重磅登場！繼具身基礎模型GigaBrain-0.1斬獲 RoboChallenge 全球第一后，性能更強大的GigaBrain-0.5M*又來了。作為依托世界模型實現(xiàn)自我進化的 VLA 大模型，GigaBrain-0.5M*在家庭疊衣、服務沖煮咖啡、工業(yè)折紙盒等多個真實機器人任務中，均實現(xiàn)數(shù)小時零失誤、持續(xù)穩(wěn)定運轉。

GigaBrain-0.5M* 作為一款基于世界模型條件驅(qū)動（World Model-Conditioned）的 VLA 大模型，以世界模型對未來狀態(tài)與價值的預測結果作為條件輸入，可顯著提升模型在長時程任務中的魯棒性。在此基礎上，GigaBrain-0.5M* 創(chuàng)新引入人在回路（Human-in-the-Loop）持續(xù)學習機制，系統(tǒng)依托經(jīng)人工篩選與校正的模型推演軌跡開展迭代訓練，基于真實環(huán)境交互反饋持續(xù)優(yōu)化決策策略，最終實現(xiàn) “行動 — 反思 — 進化” 的閉環(huán)式持續(xù)學習與自主迭代升級

論文鏈接：https://arxiv.org/pdf/2602.12099

項目鏈接：https://gigabrain05m.github.io/

01 基于世界模型的強化學習的訓練范式

在 GigaBrain-0.5M* 的研發(fā)中，我們提出基于世界模型的強化學習范式，并采用迭代式四階段閉環(huán)訓練流程

• 基于大規(guī)模機器人操作數(shù)據(jù)完成世界模型預訓練，實現(xiàn)對未來狀態(tài)及對應價值的精準預測；
• 以世界模型輸出的未來狀態(tài)預測與價值評估為條件，對策略網(wǎng)絡進行微調(diào)，以指引動作決策；
• 將條件化策略部署至真實物理環(huán)境，依托人在環(huán)干預機制，采集模型自主推演軌跡數(shù)據(jù)；
• 利用經(jīng)篩選后的有效軌跡數(shù)據(jù)集，聯(lián)合優(yōu)化世界模型與決策策略，實現(xiàn)模型持續(xù)學習與自主進化。

02數(shù)小時連續(xù)零失誤執(zhí)行

在與 AWR、RECAP 等主流模仿學習與強化學習基線方法的系統(tǒng)對比中，GigaBrain-0.5M* 展現(xiàn)出顯著優(yōu)勢，在相同任務設定下，相較于由π*0.6由所提出的RECAP 基線，任務成功率提升近 30%，并實現(xiàn)了穩(wěn)定可靠的模型效果。

尤其在高難度長時程任務中，面對折紙盒、咖啡制備、衣物折疊等包含多階段操作、精細感知與持續(xù)決策的復雜場景，GigaBrain?0.5M* 均實現(xiàn)接近 100% 的任務成功率，并可穩(wěn)定復現(xiàn)成功執(zhí)行軌跡，充分彰顯出卓越的策略魯棒性。

03 高效且準確的價值預測

實驗結果表明，基于世界模型的價值預測方案在執(zhí)行效率與預測精度上，均優(yōu)于π*0.6所提出的VLM方案。該方案的核心優(yōu)勢源自對未來狀態(tài)的顯式建模與世界模型單步降噪機制，可為價值函數(shù)提供關鍵的時序上下文支撐，讓價值估計實現(xiàn)更高效、更精準、更穩(wěn)定的輸出。

以疊衣服任務為例：任務初期，機械臂反復調(diào)整衣物姿態(tài)時，預測價值呈現(xiàn)合理波動；當衣物擺正、進入穩(wěn)定疊放階段，價值曲線穩(wěn)步上升；若中途出現(xiàn)干擾物，價值驟降以反映任務受阻；待干擾物被移除后，價值迅速恢復增長趨勢。這種與任務物理進程高度對齊的價值演化，正是世界模型提供“認知先驗”的直接體現(xiàn)。

04 上萬小時的訓練數(shù)據(jù)

GigaBrain-0.5M* 的基座模型 GigaBrain-0.5 基于總計 10,931 小時的多樣化機器人操作數(shù)據(jù)進行預訓練，其中 61%（6,653 小時）由自研具身世界模型 GigaWorld 高保真合成，覆蓋紋理遷移、視角變換、人手到機械臂映射等豐富場景；剩余 39%（4,278 小時）源自真實機器人采集，確保策略在物理世界中的可執(zhí)行性。海量數(shù)據(jù)的引入顯著拓展了模型的任務覆蓋廣度與策略魯棒性，使其在面對復雜、長時程操作任務時具備更強的泛化能力；而 GigaWorld 生成的合成數(shù)據(jù)則有效突破了真實采集的長尾瓶頸。通過可控地生成新紋理、新物體位姿與新觀測視角下的訓練樣本，增強了模型在分布外場景中的適應性，為具身智能走向開放世界奠定了數(shù)據(jù)基石。