如果把训练数据从 300 小时扩大到 30,000 小时，机器人模型能否像大语言模型一样，随数据增长不断解锁新能力？

智元最新发布的原生世界—动作模型（World Action Model，WAM）GE-Act 2.0，首次系统回答了这个问题。与沿用现成视频生成模型的主流路线不同，GE-Act 2.0 的所有模型参数，包括视觉表征、未来生成、动作预测等核心组件均从随机初始化开始，在具身操作数据上从头训练。训练完成后，模型不针对评测任务做任何微调和示范，直接在陌生场景、陌生物体上，接受语言指令跟随、多技能操作和陌生环境泛化等真机零样本（Zero-shot）检验——覆盖 100 项原子任务、20 类技能、两种机器人本体。

结果显示，随着数据规模扩大 100 倍，模型不仅原有技能更稳定，还逐步解锁了此前完全无法完成的新任务，包括折叠毛巾、嵌套纸杯、拔插笔盖、插花等较精细动作，原生世界—动作模型的 Scaling 路径首次被系统性验证。

图中每个任务接受四档数据量训练（300 小时/ 1200 小时/ 5000 小时/ 30000 小时），随着训练数据不断扩大，技能覆盖范围与任务成功率同步扩大，这验证了原生世界-动作模型预训练与Scaling路径

项目主页及论文：https://ge-act-v2.github.io/

一、用 Zero-shot 检验预训练，用 100 倍数据验证 Scaling

针对评测任务做额外训练，能刷高成绩，却分不清能力来自通用预训练还是“考前特训”。GE-Act 2.0 因此把真机零样本表现作为标准：不微调、不示范、不换模型，测试中的场景、背景、光照和物体实例均未进入训练。在相同训练配方下，最后一阶段分别使用 300 / 1,200 / 5,000 / 30,000 小时四档数据，三条 Scaling 线索清晰可见：

•        技能“逐格点亮”：取得非零成功率的任务，在 G1-OP 机器人上从 39 项增至 76 项，在 G2-90D 机器人上从 24 项增至 72 项。折叠毛巾、嵌套纸杯、拔插笔盖、插花等较精细动作在小规模数据训练的模型上无法被理解，当数据达到3万小时规模时出现显著的能力顿悟；

•        任务成功率持续提升：G1-OP 机器人总体成功率从 17.1% 提升至 44.1%，G2-90D 机器人从 13.4% 提升至 31.1%，且 5,000 到 30,000 小时仍未见明显饱和；

•        “富本体”带动“稀缺本体”：G1-OP 机器人贡献超 50% 训练数据，G2-90D 机器人占比不足 2%，但后者仍随共享数据扩大提升 17.7 个百分点，显示出跨本体能力迁移真实发生。

随着训练数据规模扩大，两种机器人本体的多数技能持续提升，数据占比不足2%的G2-90D同样获得明显增长。

作为补充，微调后的 GE-Act 2.0 在 RoboTwin 陌生环境测试中取得 60.52% 成功率，在 GenieSim 指令遵循测试中获得 0.770 分，均超过 π0.5、GR00T N1.7 等参与比较的模型。

二、原生 World Action Model 如何预训练：GE-Act 2.0 给出了方法论

传统动作模型“看到什么就做什么”；世界—动作模型多走一步：先预测“这样做下去，世界会变成什么样”，再决定动作。然而大多数世界—动作模型从现有的视频生成模型出发，再接入动作模型，这种方法难以看清世界预测与动作能力究竟如何从具身数据中获得。GE-Act 2.0 设计了面向具身操作重新设计整套架构，给出了从头预训练的完整方法论。

GE-Act 2.0架构

原生高效表征：一帧画面压缩为 24 个 token

机器人既要看清物体和运动，又要控制计算成本。GE-Act 2.0 设计更高效的视觉编码器 CoAE，将一帧 256×384 画面压缩为 24 个视觉 token，仅为 DINOv3 的十六分之一，同时保留语义、运动与局部结构。压缩后反推动作的精度与 DINOv3、V-JEPA 2.1 等高信息量表征接近，在 4,000 条机器人操作数据的受控测试中，指令—画面匹配准确率达 97.95%，为五种对照表征中最佳。

原生视觉规划器：让“想象”与“行动”共同优化

世界模型负责预测未来，逆动力学模型（IDM）负责生成动作。传统方法需要多轮计算才能生成未来，计算与显存占用极高，既难以让两个模型共同训练，也会拖慢推理速度。GE-Act 2.0采用一步式视觉规划，一次生成完整未来，并让动作误差直接反馈给世界模型。配合高效视觉表征，模型在RTX 5090显卡上生成一个chunk连续动作仅需104毫秒，大幅优于现有大部分WAM。

联合训练方案：KASO 破解“预测和动作对不上”

同一任务常有多种正确做法：模型想象“左手抓取”，数据记录的却是“右手”，各自合理，合在一起就是错误信号。GE-Act 2.0 以知识对齐选择性优化方法（KASO）：一次生成多个可能的未来，只选择与真实动作最一致的结果参与训练，来解决这个问题。在陌生场景的分布外（OOD）评测中，机器人选对指令目标的比例较基线提高7.5个百分点，最终完成抓取的成功率提高10个百分点。

KASO从多个预测未来中选出与真实动作最一致的结果，再用于联合训练，避免未来预测与动作监督错位

三、一套“吃进所有数据”的架构：遥操、无本体、Rollout、失败数据各就其位

机器人训练与部署中产生的数据形态各异，传统模仿学习依赖完整的“指令—画面—动作”配对，大量数据因此被浪费。GE-Act 2.0 提出的数据架构让每类数据承担合适的学习任务：

•        3.9 万小时“指令—视频”数据预训练世界模型，学习环境如何变化——其中包含 3,000 小时无本体数据（不带动作标注的第一视角与人类操作视频）；

•        3.2 万小时机器人轨迹预训练逆动力学模型（IDM），学习“画面这样变化时机器人做了什么”——其中包含 2,000 小时失败操作与真实场景部署回流（rollout）数据，不要求成功标签；

•        3 万小时“指令—视频—动作”完整数据进行联合训练，把两种能力连接起来。

借助逆动力学模型，无指令、无成功标签、甚至失败的轨迹都能还原出动作监督信号——失败数据也能成为训练资产。

分阶段预训练

结语

GE-Act 2.0 验证了原生世界—动作模型可规模化的预训练路径，也是从“世界预测”走向“世界驱动行动”的关键一步。在智元 GE 世界模型体系中，GE-Sim 面向策略评估与环境构建，GE-Act 将未来预测转化为真实机器人的操作能力。当更多类型的具身数据被统一利用、零样本能力随数据规模持续增长，具身基础模型的 Scaling 路径，正在变得更加清晰。