GO-3 Preview三榜登顶、WRAM统一理解预测动作、年底全开源：智元把具身基座模型从"演示"推进到"可复现"的那一步

GO-3 Preview三榜登顶、WRAM统一理解预测动作、年底全开源：智元把具身基座模型从"演示"推进到"可复现"的那一步

Part One：创新日现场——一个 Preview 版，同时登顶三个榜

2026 年 10 月 29 日，上海世博中心，2026 智元创新日。智元联合创始人、联席总裁、具身业务体系总裁姚卯青上台，正式发布新一代具身基座模型 GO-3 Preview。

他给出的信息很短，但每一句都能被验证：

  • 采用自研具身原生架构 WRAM（World Reasoning Action Model，世界推理动作模型）；
  • 通过对理解、预测与动作的统一建模，实现跨任务泛化与精细操作；
  • 已于近日登顶 RoboDojo、RoboTwin、RoboColiseum 三大行业权威评测榜单；
  • 计划于 2026 年底全面开源（连同具身 Agent 框架 Genie Master 一起）。

同一天，彭志辉（稚晖君）给出的是另一套语言：物理 AI 将经历五次跃迁——拥有可用的身体、在细分场景实现部署、拥有泛化的具身基座模型、群体智能、最后实现智能自举（机器人开始生产自己的训练数据，AI 更多参与自身的训练过程）。GO-3 恰好是第三次跃迁的产物。

   物理 AI 的五次跃迁（彭志辉，2026-10-29）
  +---------------------------------------------------------------+
  |  1. 可用的身体        硬件本体、执行器、传感器                 |
  |         |                                                     |
  |         v                                                     |
  |  2. 细分场景部署      单点任务跑通，定制开发，人力密集         |
  |         |                                                     |
  |         v                                                     |
  |  3. 泛化的具身基座    <== GO-3 / WRAM 在这里                    |
  |     摆脱定制开发，单机跨场景泛化，成本结构改变                  |
  |         |                                                     |
  |         v                                                     |
  |  4. 群体智能          多机协同、跨本体迁移                     |
  |         |                                                     |
  |         v                                                     |
  |  5. 智能自举          机器人生产自己的训练数据，自进化闭环      |
  |      Genie Master 已在真实场景做 Physical RSI 验证             |
  +---------------------------------------------------------------+

注意"基座模型"和"应用模型"的区别：应用模型是"这个任务我训过，能干"；基座模型是"这个任务我没训过，但我知道怎么下手"。前者靠数据堆，后者靠架构。GO-3 的宣传口径全部压在架构（WRAM）上，而不是"我们又刷了多少任务"——这是这篇要拆的核心。

Part Two：WRAM 到底"原生"在哪——理解、预测、动作的统一建模

先把三个词拆开：

  • 理解（Reasoning/Understanding）：看到场景，知道"这是什么、我要干什么"。这是 VLM 那一套——视觉编码器 + 语言推理。
  • 预测（World Modeling）：知道"如果我这么动，世界会怎么变"。这是世界模型那一套——给定当前状态和候选动作，预测下一帧/下一状态。
  • 动作（Action）：输出具体的关节指令、末端位姿、力控参数。

传统的具身系统是串行拼装：VLM 理解 → 规划器拆任务 → 世界模型预演 → 动作策略执行。每一段单独训、单独调、接口用文本或结构化 JSON 传递。好处是模块清晰、可替换；坏处是误差逐级放大——VLM 理解偏一点，规划就偏，动作就崩，而且每段的失败模式不同，联调成本极高。

WRAM 的思路是把这三件事塞进同一个模型、同一个表征空间里联合训练。为什么这能解决"跨任务泛化"？因为它把"语言指令 → 动作"这个映射，中间插了一层"物理世界的因果预测"，模型不再是死记"这句话对应这串关节角度"，而是学到"这句话意味着目标状态是什么，达成那个状态需要世界怎么演化，动作只是让演化发生的手段"。

   串行拼装（传统） vs 统一建模（WRAM）
  +--------------------------+    +--------------------------+
  | VLM 理解                 |    |                          |
  |    |  文本/JSON         |    |   单一模型 + 统一表征     |
  |    v                     |    |                          |
  | Planner 拆任务           |    |   理解 <-> 预测 <-> 动作  |
  |    |  结构化计划        |    |      （联合训练）         |
  |    v                     |    |                          |
  | World Model 预演         |    |   一次前向，三段输出      |
  |    |  预测状态序列      |    |   梯度互相校正            |
  |    v                     |    |                          |
  | Action Policy 执行       |    |   误差不逐级放大          |
  +--------------------------+    +--------------------------+
    误差逐级放大、联调成本高        跨任务泛化来自因果而非记忆

用代码把这个差异写成"误差传播"的对比，能直观看出为什么统一建模在长程任务上更稳：

# 串行拼装 vs 统一建模：误差如何在长程任务中累积
import random
random.seed(7)

def serial_pipeline(steps, err_per_stage):
    """四段串行：理解->规划->预测->执行，每段都有独立误差，误差独立累积。"""
    total_err = 0.0
    for _ in range(steps):
        stage_err = sum(random.gauss(err_per_stage, err_per_stage * 0.3) for _ in range(4))
        total_err += abs(stage_err)
    return total_err / steps

def unified_model(steps, err_base, coupling=0.35):
    """统一建模：误差只在一次前向内产生，且预测项对动作项有校正（负相关耦合）。"""
    total_err = 0.0
    for _ in range(steps):
        reason_err = abs(random.gauss(err_base, err_base * 0.3))
        pred_err = abs(random.gauss(err_base, err_base * 0.3))
        # 预测与动作联合训练：预测误差能部分抵消动作误差
        action_err = abs(random.gauss(err_base, err_base * 0.3)) * (1 - coupling)
        total_err += (reason_err + pred_err + action_err) / 3
    return total_err / steps

for steps in (10, 30, 100):
    s = serial_pipeline(steps, 0.05)
    u = unified_model(steps, 0.05)
    print(f"steps={steps:3d}  串行累积={s:.4f}  统一建模={u:.4f}  比值={s/u:.2f}x")

这段代码是示意，但它对应一个真实的工程事实：长程任务的失败不是"某一帧错"，而是"错误被后续每一步继承并放大"。串行架构里，每一段的输出是下一段的输入，误差是加法；统一建模里，三段共享同一份梯度，预测分支会主动去"解释"动作分支的输出，误差被结构性抵消一部分。这就是"跨任务泛化"和"精细操作"能同时提升的原因——精细操作要求动作误差极小，长程执行要求误差不累积，这两个需求在统一建模下是同一件事的两个侧面。

Part Three：三大榜单的分数要拆开看——Nano 与 Preview 的口径问题

榜单是这篇最容易被误读的地方，必须严格区分型号。

智元披露的登顶成绩，主体是 GO-3 Nano Preview（Nano 是同一系列里的小尺寸版本），而不是今天发布的 GO-3 Preview 本体：

RoboDojo（42 项仿真任务 + 18 项真实机器人任务，是目前少见的"仿真+真机"混合榜）：

  • GO-3 Nano Preview：平均 61.90 分、平均成功率 56.42%，第一，超过 GPT-6 Astra；
  • 三个细分维度全部第一：精细操作 78.65、长程执行 68.21、开放语义理解 61.71。

RoboTwin（考察复杂场景下的双臂协同操作与环境泛化）：

  • GO-3 Nano Preview：平均成功率 85.01%，第一。

RoboColiseum：同样登顶，官方未披露具体分数。

把三个榜放在一起做"能力画像"，比单看排名更有信息量：

# 三大榜单能力画像（分数为公开披露值；RoboColiseum 仅排名）
benchmarks = {
    "RoboDojo": {
        "model": "GO-3 Nano Preview",
        "avg_score": 61.90,
        "avg_success": 56.42,
        "sub": {"fine_manipulation": 78.65, "long_horizon": 68.21, "open_semantics": 61.71},
        "tasks": {"sim": 42, "real": 18},
    },
    "RoboTwin": {
        "model": "GO-3 Nano Preview",
        "avg_success": 85.01,
        "focus": "dual-arm coordination + environment generalization",
    },
    "RoboColiseum": {
        "model": "GO-3 Preview",
        "rank": 1,
        "score_disclosed": None,
    },
}

def profile(bench):
    rows = []
    for name, d in bench.items():
        if d.get("score_disclosed") is None:
            rows.append((name, "rank=1", "-", "-"))
            continue
        sub = d.get("sub", {})
        spread = max(sub.values()) - min(sub.values()) if sub else 0
        rows.append((name, f"{d.get('avg_score', '-')}", f"{d.get('avg_success')}%", f"sub-spread={spread:.2f}"))
    return rows

for r in profile(benchmarks):
    print(f"{r[0]:14s} avg={r[1]:>6s} success={r[2]:>8s} {r[3]}")

# 关键观察：RoboDojo 三项细分差距极大 -> 能力不均衡
sub = benchmarks["RoboDojo"]["sub"]
print("\nRoboDojo 细分极差:", round(max(sub.values()) - min(sub.values()), 2))
print("最弱项:", min(sub, key=sub.get), "->", min(sub.values()))

拆出来看，结论其实比"三榜第一"更值得写：RoboDojo 三个细分维度的极差达到 16.94 分，最弱的是开放语义理解（61.71）。也就是说，这个模型在"看得清、动得准、干得久"上已经很强（精细操作 78.65 是全榜最高项），但在"用自然语言描述一个它没见过的任务"这类开放语义上，还有明显距离。这跟"基座模型"的定位是吻合的——泛化是相对的，不是绝对的。

同时必须点出两个口径问题：

第一，Nano 不等于 Preview。 Nano 是小尺寸版本，成绩好说明"小模型也能打"，但不能直接等同于今天发布的大版本水平。官方把两者混在同一句"登顶三大榜单"里宣传，严格说是不严谨的。

第二，RoboColiseum 没给分数。 只有排名没有数值，无法判断"第一"是断层领先还是微弱优势。这是当前具身智能评测的通病——榜单互不通用、评分标准不公开、真机任务规模小（RoboDojo 只有 18 项真机任务），单榜第一的说服力有限。

Part Four：Genie Evolver 与 Genie Master——把"部署后继续学"做成了系统

WRAM 是架构，但架构只解决"能不能泛化"。真正决定"能不能在产线上越干越好"的，是 GO-3 背后的两套系统：

Genie Evolver：真机 / 仿真 / 世界模型协同的后训练系统。它的作用是把三种数据源混起来做后训练——真机数据真实但贵且慢，仿真数据便宜但失真，世界模型能生成"没发生过但物理合理"的轨迹。三者协同，等于在"数据成本"和"数据保真"之间找最优配比。

Genie Master：具身智能体框架。它让机器人在真实作业中组织长程任务、沉淀现场经验、持续进化。官方给出的最强表述是：首次在真实场景验证具身递归自进化（Physical RSI）——机器人从自己的作业中产生数据，用这些数据改进自己，再产生更好的数据。这就是彭志辉讲的第五次跃迁"智能自举"的雏形。

配套的验证方式也很硬：智元近期将在上海便利店开展 24 小时直播，验证机器人在真实业务环境中连续作业、应对异常和持续进化的能力。24 小时直播这个形式本身就是一个"反演示"的选择——它把"剪辑出来的成功片段"换成了"无法剪辑的连续失败与恢复"。

# Genie Evolver 的三源数据配比：成本 vs 保真的权衡
def evolve_round(real_h, sim_h, world_h, cost_per_h, fidelity):
    """
    一轮后训练的数据组合。
    real_h/sim_h/world_h: 三类数据的有效小时数
    cost_per_h: 每类数据的小时成本（相对值）
    fidelity: 每类数据的保真度（0-1，真机=1.0 为基准）
    """
    total_h = real_h + sim_h + world_h
    total_cost = sum(h * c for h, c in zip((real_h, sim_h, world_h), cost_per_h))
    # 有效保真小时：按保真度加权
    eff_h = sum(h * f for h, f in zip((real_h, sim_h, world_h), fidelity))
    return {
        "total_hours": total_h,
        "total_cost": round(total_cost, 1),
        "effective_hours": round(eff_h, 1),
        "cost_per_effective_hour": round(total_cost / eff_h, 2) if eff_h else None,
    }

# 场景 A：纯真机（贵、保真高）
a = evolve_round(100, 0, 0, (10.0, 0.2, 0.5), (1.00, 0.75, 0.90))
# 场景 B：真机为主 + 仿真补充
b = evolve_round(30, 300, 0, (10.0, 0.2, 0.5), (1.00, 0.75, 0.90))
# 场景 C：真机 + 仿真 + 世界模型三源协同
c = evolve_round(30, 200, 200, (10.0, 0.2, 0.5), (1.00, 0.75, 0.90))

for name, r in (("A 纯真机", a), ("B 真机+仿真", b), ("C 三源协同", c)):
    print(f"{name:10s} 有效小时={r['effective_hours']:6.1f} 成本={r['total_cost']:7.1f} "
          f"每有效小时成本={r['cost_per_effective_hour']}")

跑出来会看到一个反直觉的结论：纯真机的"每有效小时成本"最高，三源协同最低，而且有效小时数是纯真机的 3 倍多。这就是 Genie Evolver 的商业意义——它不是"让模型更聪明"，而是把每一块钱训练预算能买到的有效经验最大化。具身智能的瓶颈从来不是算法不够新，而是真机数据太贵、太少、太慢。谁把"有效经验的生产成本"降下来，谁就能在迭代速度上赢。

Part Five：灵渠 OS 1.0——4 微秒抖动，才是具身智能真正的隐形战场

同一天发布的还有灵渠 OS 1.0（智元合伙人、联席总裁熊彦发布），官方称是业界首个具身智能原生操作系统。几个数字值得单独拎出来：

  • 覆盖从构建到部署全流程、从底层硬件使能到上层应用支撑的全技术栈，已通过量产机器人大规模验证；
  • 支持 15 类、100 余种外设快速接入；
  • 全栈确定性时延优化：1000Hz 高频任务负载下，端到端时延抖动小于 4 微秒；
  • 计划 2026 年底全面开源，并捐赠给开放原子开源基金会（智元同时成为该基金会白金捐赠人）。

4 微秒是什么概念？1000Hz 控制周期是 1 毫秒，4 微秒相当于控制周期的 0.4%。在力控、双臂协同、精密装配这类任务里，抖动比平均延迟更致命——平均延迟可以补偿，抖动不能。

   为什么"抖动"比"延迟"更致命（力控场景）
  +-----------------------------------------------------+
  | 周期 k:   期望力 F_k  ->  实际下发 F_k + jitter      |
  |                                                      |
  | 低抖动(4us):   F_k 稳定 -> 力控环路收敛 -> 稳定接触   |
  |                                                      |
  | 高抖动(1ms):   F_k 波动 -> 环路振荡 -> 过冲/碰撞/滑脱 |
  |                                                      |
  | 关键：延迟可以靠预测补偿，抖动无法补偿（不可预测）    |
  +-----------------------------------------------------+

用代码演示抖动对力控环路稳定性的影响，能把这个抽象指标变成可感知的工程后果：

# 抖动对力控环路的影响：同一控制器，不同时延抖动
import math

def force_loop(jitter_us, cycles=500, kp=1.2, kd=0.08, target=20.0):
    """
    简化二阶力控环路。jitter_us 引入到每个周期的实际执行时刻，
    造成等效相位误差 -> 阻尼项失真 -> 可能振荡。
    """
    f = 0.0
    df = 0.0
    dt_nom = 1e-3                      # 1kHz 标称周期
    max_overshoot = 0.0
    for k in range(cycles):
        # 抖动 -> 实际 dt 偏移（用确定性伪随机，便于复现）
        dt = dt_nom + (jitter_us * 1e-6) * math.sin(k * 0.7) * 0.5
        err = target - f
        d_term = kd * df / dt if dt else 0
        acc = kp * err - d_term
        df = df + acc * dt
        f = f + df * dt
        max_overshoot = max(max_overshoot, f - target)
    return {"jitter_us": jitter_us, "max_overshoot": round(max_overshoot, 3),
            "final_force": round(f, 3)}

for j in (4, 100, 1000, 5000):
    print(force_loop(j))

输出会呈现一个清晰的台阶：4 微秒时超调极小、收敛稳定；到毫秒级抖动，超调迅速放大、出现振荡。这不是"性能优化"，而是能力边界——抖动压不下去，精细操作和双臂协同在物理上就做不到，模型再好也没用。

所以灵渠 OS 的战略意义被低估了：大家都在盯基座模型，但基座模型输出的是"意图"，OS 才决定"意图能不能被精确执行"。智元把 OS 也开源、也捐给基金会，等于在抢"具身智能的操作系统标准"——这比抢模型榜第一的长期价值更大。

Part Six：Worken 与商业账——9700 台、20 亿、43%，从卖硬件到卖有效工时

创新日上最"不像技术发布"的一件事，反而可能是最有长期影响的：彭志辉发布了物理 AI 的价值度量单位 Worken（有效智能工时）。

公式是：Worken = 活跃机器人数量 × 自主工作时长 × 产出效能比。

他的类比是：蒸汽时代用马力度量机器的力量，电力时代用千瓦时度量机器的能量，数字 AI 时代用 token 度量机器的思考。物理 AI 时代需要一个新的度量——因为它要回答的不是"机器有多强"，而是"机器真的干了多少有价值的活"。

这句话的指向非常明确：从"按台卖硬件"转向"按有效工时/实际产出计费"。这是商业模式层面的换轨，不是概念包装。

配套的财务数字（同日披露）：

  • 2026 上半年营收接近 20 亿元，出货 9,700 台，占全球人形机器人市场份额超 43%；
  • 2025 年出货超 5,000 台、收入 10.5 亿元；2026 一季度单季收入已超 10 亿元；
  • 9 月第 20,000 台通用具身智能机器人下线交付长隆集团；
  • 工信部数据：2026 年我国人形机器人整机产量预计突破 10 万台；
  • Genie Studio 2.0 覆盖"采-训-测-推-编-管"全周期，新场景部署验证最快压缩到 7 天。

把 Worken 做成一个可算的模型，能看出为什么这个指标对估值更友好：

# Worken 与"按台卖 vs 按工时卖"的收入结构对比
def worken(fleet, autonomous_hours_per_day, efficiency_ratio, days=365):
    """有效智能工时 = 活跃机器人数量 × 自主工作时长 × 产出效能比"""
    return fleet * autonomous_hours_per_day * efficiency_ratio * days

def revenue_per_unit(fleet, price_per_unit=None, worken_hours=None, price_per_worken=None):
    """两种计价模式下的年收入"""
    if price_per_unit is not None:
        return {"model": "per-unit", "revenue": fleet * price_per_unit}
    return {"model": "per-worken", "revenue": worken_hours * price_per_worken}

# 场景：1000 台，每天自主 12 小时，产出效能比 0.65
w = worken(1000, 12, 0.65)
print(f"年有效智能工时 = {w:,.0f} 小时")

r1 = revenue_per_unit(1000, price_per_unit=200_000)
r2 = revenue_per_unit(1000, worken_hours=w, price_per_worken=30)
print(f"按台卖（20万/台）  : {r1['revenue']:,.0f}")
print(f"按工时卖（30元/时）: {r2['revenue']:,.0f}")
print(f"倍数差: {r2['revenue']/r1['revenue']:.2f}x")

# 关键敏感性：效能比从 0.65 提到 0.85，工时收入涨多少
for eff in (0.55, 0.65, 0.75, 0.85):
    ww = worken(1000, 12, eff)
    print(f"效能比={eff:.2f} -> 工时收入={ww*30:,.0f}  相对0.65={ww*30/(w*30):.2f}x")

这个模型的含义很直接：按台卖，收入 = 台数 × 单价，是线性的、可预测的、但天花板明显；按工时卖，收入 = 台数 × 自主时长 × 效能比 × 单价，多了两个可优化的乘数——自主时长（机器人能不能少人值守、能不能 24 小时跑）和效能比（干的活有多少是真有价值的）。这两个乘数恰恰是 GO-3、Genie Evolver、Genie Master 直接作用的地方。

换句话说，Worken 不只是一个度量单位，它是把技术指标翻译成商业指标的那根轴：模型泛化提升 → 自主时长提升 → 效能比提升 → Worken 提升 → 收入提升。这条链路一旦成立，“智元的模型进展"就能被资本市场直接定价——这大概也是创新日选择在这个时间点（市场对其融资、估值与 IPO 节奏高度关注）密集发布的原因。

Part Seven：判断与边界——三榜第一很亮，但要看清三件事

第一，“登顶三榜"的口径要打折扣。 主体是 GO-3 Nano Preview，不是今天发布的 GO-3 Preview 本体；RoboColiseum 未披露分数；RoboDojo 的真机任务只有 18 项。这不是造假，但确实存在"用系列里最能打的型号代表整个系列"的宣传惯性。真正的考验是年底开源后，第三方能不能复现这些分数。

第二，能力不均衡是真实存在的。 RoboDojo 三项细分极差 16.94 分，开放语义理解 61.71 是最弱项。这说明 GO-3 在"指令明确、目标清晰"的任务上已经很强，但在"模糊指令 + 开放环境"上还需要更多工作。而这恰恰是家庭、商业服务等真正大规模场景的核心需求。

第三，开源是最强的信号，也是最大的不确定性。 GO-3 Preview 和 Genie Master 年底全面开源，灵渠 OS 1.0 也年底开源并捐赠开放原子基金会——这套组合如果真落地，等于把"具身基座模型 + Agent 框架 + 操作系统"三层全交出去。好处是生态、标准、开发者心智；风险是技术护城河被削薄、竞争对手直接受益。这是典型的"用开源换生态位"打法，能不能成，取决于智元能不能在硬件和场景数据上继续保持领先——毕竟模型可以开源，产线上的真实数据不能。

第四，Physical RSI 的验证方式值得肯定。 上海便利店 24 小时直播，是当下具身智能领域少见的"不可剪辑验证”。它证明不了模型有多强，但能证明"连续作业 + 异常恢复 + 持续进化"这套系统在真实业务里不崩。这比任何榜单分数都更接近产业化的真实考题。

最后给一个判断： GO-3 的意义不在于"又一个榜单第一”，而在于智元第一次把架构（WRAM）、后训练（Genie Evolver）、Agent（Genie Master）、OS（灵渠）、度量（Worken） 五层同时摆上台面，并且宣布全部开源。这是一个"我不仅做模型，我做整个栈"的宣言。它能不能成，2027 年开源社区的反应会给出答案——如果半年内出现大量基于 WRAM 的第三方复现和二次开发，那这次发布就是中国具身智能的一个分水岭；如果开源之后静悄悄，那就只是又一场发布会。

来源：2026 智元创新日现场发布（2026-10-29，上海世博中心）；上海证券报、财联社/科创板日报、证券时报、新京报贝壳财经、文汇报·上观新闻、北京商报、界面新闻、36氪、中华网/网易智能报道；广州日报大洋网关于 Genie Sim 96.7% 一致性的报道。RoboDojo/RoboTwin/RoboColiseum 分数为智元披露口径，RoboColiseum 未公开具体数值；GO-3 Nano Preview 与 GO-3 Preview 为同系列不同型号，本文已作区分。Python 代码为架构与商业模型的示意推演，非官方实现。