GPT-6之后，具身智能走向何方？诺因发布GLOW技术报告，给出机器人“一教就会”的答案

一直以来，要让机器人学会一项新任务，往往需要重新采集数据、编写固定流程，或进行针对性训练。这类方式可以解决确定性较高的任务，却难以覆盖真实场景中不断变化的物品、环境和需求。

近期，新一代通用大模型GPT-6 Astra的发布，引发行业对具身智能技术路线的广泛讨论与重新思考。不少观点认为，通用大模型正在展现操控机器人的能力，可能对既有具身智能路线形成冲击；与此同时，行业也逐步形成共识：自回归架构正成为模型架构的收敛方向，具身智能的竞争核心将转向数据与学习方式。

9月24日，诺因（Knowin）发布面向通用具身智能的生成式学习架构GLOW技术报告（报告链接：
https://knowinai.com/tech.html#section-2），完整介绍了GLOW全新升级的整体技术架构，呈现了一条将通用认知能力转化为可靠物理行动的可行路径，核心突破在于实现了机器人“一教就会”的任务学习能力。

报告提出，GLOW将改变机器人学习新任务的方式：把人的一次完整操作、当前环境、机器人自身状态与执行历史放在同一条链路中理解，让机器人不只是看见动作画面，而是同时捕捉物体、空间关系、动作顺序和状态变化，从“看过”进一步走向“学会”，拥有跨物体、跨环境、跨任务复用的通用能力。

同时，报告还披露了GLOW的多项评测结果。从物理任务执行到具身场景理解，诺因已经连续拿下三项第一，印证了其长期坚持的自回归技术路线的前瞻性，以规模化物理经验训练模型，以统一架构协同认知与行动，以闭环执行适应环境变化，从而以完整的具身能力走向物理世界。

“一教就会”：人类演示一次，机器人即可实现跨场景任务复用

GLOW的目标，是让机器人获得跨物体、跨环境、跨任务复用的通用具身能力，而非为每项任务单独学习一套策略。用户不必把需求拆解成机器指令，也不必受限于出厂时写好的功能清单。机器人可以通过一次完整操作理解任务，再把画面、物品关系、状态变化与执行反馈转化为行动。从开盒收纳、浇水，到擦桌、调酒等各类家务工作，这一能力都得到了验证：

开盒收纳：换盒换物，照样完成全套动作

开盒收纳包含开盖、放物、合盖三个核心步骤。GLOW会根据实时画面定位盒盖、物品和盒内区域，按照人类的操作逻辑完成整套动作。人类的操作只定义任务目标和操作顺序，实际执行时，机器人会根据现场的盒子大小、物品位置调整姿态和路径，即使更换了不同的盒子、不同的物品，机器人也能顺畅完成收纳，不用重新教学。

浇水：换了浇水壶，动作也能精准迁移

浇水任务中，人类教学用的是黑色细嘴壶，实际执行时换成绿色浇水壶，机器人依然能顺利完成。GLOW会把人类演示过程中的抓握方式、对准角度、倾斜幅度等核心逻辑，映射到眼前的新器具上，自主调整抓取位置和动作姿态。每完成一步都会根据实时画面更新状态，后续动作随现场情况动态调整。

擦桌：人擦出心形，机器人也学会心形擦拭

在擦桌任务中，人类用户沿着心形轨迹移动抹布；机器人看过一次后，就能复现同样的心形擦拭动作。这意味着，GLOW 不只是学会了“擦桌子”这项任务，还能捕捉到 “怎样擦” 的个性化操作特征。用户只需一次操作教学，就能把自己的操作偏好传递给机器人，让机器人按自己习惯的方式完成家务。

调酒：多杯多步骤的复杂流程，也能按序连贯完成

面对多个酒杯的调酒场景，GLOW能从人类操作中，识别出每一步的操作对象、倾倒关系和先后顺序，再结合现场画面找到对应的酒杯，依次完成取杯、倾倒、回正、放回的完整流程。人类的行为只提供了任务的顺序逻辑，实际执行时机器人会自主匹配当前场景，保证多步骤任务连贯推进，不会混乱。

四大模块协同：构成从经验学习、任务理解到行动反馈的完整链路

“一教就会”的背后，源于GLOW全新升级的技术路径。通过将原有的Brain与Act能力统一到多模态自回归模型KnowinGLOW中，让视觉理解、空间推理、任务规划与动作生成能够在同一模型内协同完成；KnowinDream负责生成物理交互经验，KnowinWorld用于模拟动作可能带来的结果，KnowinAgent则围绕任务记忆、工具调用、反馈和重新规划组织执行。由此，GLOW形成了从经验学习、任务理解到行动反馈的完整链路。

KnowinGLOW：统一多模态自回归模型，打造连接认知与动作的“核心大脑”

作为整套架构的核心中枢，KnowinGLOW采用原生统一的自回归设计，将视觉理解、语义解析、空间推理、任务规划与动作生成整合在同一模型内完成，而非“视觉模块+动作模块”的拼接方案。理解与动作共享同一套表征体系，衔接更顺畅、信息无损耗，为机器人奠定“一次演示、举一反三”的技术基础。

KnowinDream：合成具身经验引擎，让机器人“见多识广”

KnowinDream 以完整交互经历为训练单元，记录世界状态、行动过程与物理后果。其以Home×Event×Future组织训练条件：Home定义交互发生的世界，Event定义世界中的变化，Future展开机器人采取行动之后的结果。同时，它还会改变光照、材质、纹理与背景，并把交互放入不同家庭、相机视角与机器人配置中，让机器人在训练阶段就见过足够多样的世界和变化。

KnowinWorld：动作条件下的世界推演，让机器人“学会预判”

理解世界，不仅包含对当前环境的行动决策，也包含对行动后果的预期。作为物理规律的推演单元，KnowinWorld可基于当前状态推演不同候选动作，推演碰撞风险、接触稳定性、路径可达性等物理约束，评估可能的后果。训练阶段，它可替代真机完成大量试错推演，大幅降低训练成本；运行阶段，它能在动作执行前预判风险、排除无效路径，既提升任务执行的安全性，也提高了决策效率。

KnowinAgent（Harness）：上下文驱动的任务运行系统，让长程任务不“断片”

Harness负责全程管理任务进度、执行反馈与动态调整。它会持续记录执行节点、接收实时反馈，出现偏差时可在当前进度上就地修正，无需从头重启任务；接近瓶口、碗沿、抽屉把手等精细操作区域时，自动切换为小幅微调模式，边观察边校准，保障长程任务连贯、稳定、精准地完成。

基于这套链路，用户在完成一次操作后，系统会将整个过程编码为可复用的技能信息。执行新任务时，模型无需重新训练或更新参数，而是结合眼前环境、机器人状态、任务进展和历史反馈实时判断下一步。它学习的不是人的手臂经过了哪些位置，而是任务要达到什么目标、物品之间存在什么关系，以及环境发生变化后应该如何继续完成任务。

性能实测：多个具身任务评测中超过GPT-6

报告披露了GLOW在RoboDojo、LIBERO-Pro及Embodied Arena等评测中的成绩。实验结果表明，GLOW不仅能够理解物理场景，还能将这种理解转化为有效的任务执行。在本报告的评测设置下，GLOW在多项国际主流具身评测中取得领先成绩，展现了在空间理解、物理交互与任务执行方面的能力。

RoboDojo仿真任务：平均成功率位列第一

在RoboDojo的18项仿真任务中，GLOW取得62.2%的平均成功率和71.1分的平均得分，较GPT-6（Robocurve）基线分别高出40个百分点和41.3分。

LIBERO-Pro基准：单策略模型表现位列第一

在LIBERO-Pro的Object、Goal与Spatial六个扰动分项中，GLOW独立运行的平均成功率达到86.7%，较GPT-6 Astra的58.2%提升28.5个百分点，六项中五项领先，位列单策略模型第一，领先第二名单策略模型ASPIRE 15个百分点。

Embodied Arena具身问答榜：综合得分位列全球第一

在Embodied Arena的2D-Embodied QA Benchmarks榜单中，KnowinBrain-1.5以65.62的综合得分位列20个参评模型第一。该成绩由九项基准分数计算得到，覆盖第一视角理解、时空定位、目标驱动规划、物理推理等多个维度。

展望：以完整具身能力走向物理世界

通用模型拓展智能的知识、理解与推理能力，专业具身模型则以物理交互为核心，构建从场景理解到自主行动的完整能力。诺因持续推进这条技术路线：以规模化物理经验训练模型，以统一架构协同认知与行动，以闭环执行适应环境变化。

规模化、高质量物理经验是这一体系的基础。真实与合成经验覆盖行动条件、接触过程和状态变化，使模型学习跨对象、跨场景的操作关系，并在新的观察下调整行动。经验生成、模型训练与执行反馈共同推动物理能力积累。

诺因将持续推进GLOW的物理学习与泛化能力，让机器人在变化的环境中自主执行，通过一次教学理解并完成新的任务。

本文由诺因（Knowin）提供，量子位获授权转载，观点归原作者所有。