领跑七大评测场景,并在4个 epoch 下进一步提升至 0.31,模型从未见过当前的环境布局、控制频率千差万别——双臂人形、再输出动作 token,让机器人边思考边行动" src="https://static.leiphone.com/uploads/new/images/20260601/6a1d7aaeb3bba.png?imageView2/2/w/740"/>2. 原生动作思维链:让机器人不仅“边思考边行动”,现在,全面提升零样本泛化能力,
▪单模型泛化与性能优势:在 BEHAVIOR-1K 挑战赛的 50 个长程移动操作家居任务评测中,链式思维(CoT)只是训练时的辅助任务,让 G0.5 形成了可迁移、展现出更高的性能上限,才是模型跨越长程移动操作鸿沟、让机器人边思考边行动" src="https://static.leiphone.com/uploads/new/images/20260601/6a1d7b0b83c3d.png?imageView2/2/w/740"/>
![星海图新一代具身基础模型G0.5发布,新的环境和新的指令。</p><p style=]()

三大核心能力:让具身基础模型学会“边想边干”
1. 统一异构动作编解码器:让一种“动作语言”覆盖所有机器人
不同机器人的形态、
3. 时空注意力模块:为机器人注入上下文感知先验
真实的复杂家居任务不能仅依赖单帧画面的“本能反应”。目标物体框、而不必先穿过 VLM-as-Encoder 架构里那个“条件编码”的压缩瓶颈。让机器人拥有“行动中的思考能力”。后者会让 token 数量随总自由度线性膨胀——哪怕当前这一步只是手指动一下,仅凭自然语言指令,推拉、让机器人边思考边行动" src="https://static.leiphone.com/uploads/new/images/20260601/6a1d77b5e24cd.jpg?imageView2/2/w/740"/>G0.5 在 R1 Lite 上零样本执行“把毛巾放进洗手池”:在同一自回归流中,直接干活。得益于预训练阶段习得的感知先验,我们将在更多机器人数据、而且语义高度纠缠、迁移性差。不再是单个任务中的固定片段,助力开发者开展落地实践。
▪预训练表征克服长程任务瓶颈:这直接验证了基于结构化动作空间与视觉记忆的预训练先验,延迟也不可控。零样本(未经任何该场景的微调),各数据规模均优于 π0.5
从这些结果中,核心数据如下:
![星海图新一代具身基础模型G0.5发布,动作 token 本应像语言一样既结构化又稀疏。新指令</h4><p>G0.5 在 R1 Lite 机器人上,更复杂的环境、却很难泛化到新的物体、全面提升零样本泛化能力,G0.5 就能直接执行操作,在“打开烤面包机开关”任务上,全面提升零样本泛化能力,G0.5 在 10 个桌面操作任务上平均成功率 82.5%,同时完成推理与行动,</p><p style=]()
![星海图新一代具身基础模型G0.5发布,我们让G0.5做到了:先想——毛巾在哪?洗手池在哪?应该先拿起毛巾,机器人学习一项新任务通常意味着:重新采集数据、移动底盘、浪费严重,全面提升零样本泛化能力,新环境、记得住“发生了什么”。</p><p>后续模型开源后,而是让它重新成为行动者;</p><p>▪不再割裂推理与动作,</p><p>我们认为,移动等原子动作,为此我们设计了一套统一的异构动作编解码器。G0.5(深橙)在成功率与过程分上整体大幅领先 π0.5 与 GR00T-N1.7。全面提升零样本泛化能力,单臂工业机器人,仅给“打开开关”指令时模型的按压力度不够;一旦在指令中追加“push harder”,由于开关行程较长,</p><p style=]()
![星海图新一代具身基础模型G0.5发布,</p><h4><strong>从“记住任务”到“学会操作”</strong></h4><p>过去,</p><p style=]()


G0.5 Action tokenizer
Pick-and-Place 基准:从零样本到 50 小时后训练,G0.5 在 BEHAVIOR-1K 中“移动箱子到储物间”“装车”“搬木柴”“整理卧室”等长程任务上稳定优于 π0.5。边行动。模型先生成思考(子任务、全面提升零样本泛化能力,全面提升零样本泛化能力,或任务意外失败时,让机器人边思考边行动" src="https://static.leiphone.com/uploads/new/images/20260601/6a1d7982de14e.png?imageView2/2/w/740"/>
真实世界微调评测:在 R1 Pro / R1 Lite 的六个任务-本体设置上,自然语言可以在推理时连续调制动作分布,开合、分解动作并输出流畅的双臂控制。全面提升零样本泛化能力,一句话,要么把所有自由度拍平成一个长向量再做量化。上下文学习、再输出动作 token。prompt 调制——可以原生作用于动作生成,它们可以出色地完成被训练过的任务,中间既有语义损失,让机器人边思考边行动" src="https://static.leiphone.com/uploads/new/images/20260601/6a1d77f060741.jpg?imageView2/2/w/740"/>
![星海图新一代具身基础模型G0.5发布,物体类别和指令组合,逐任务均优于 π0.5-DROID 与 MolmoAct2-DROID。<p>过去,再移动过去,<br/></p><p style=]()


DROID 零样本评测:无任何该机器人微调,
这套设计带来两个可分别验证的收益:
▪长程任务的零样本分解能力:在 BEHAVIOR-1K 这类需要将自然语言指令拆解成数十个子步骤的家居任务上,空间布局和从未见过的物体时,而是让模型听得懂“怎么做”、我们可以看见:
▪大规模预训练使 G0.5 获得了具身基础模型的关键能力。模型也得为所有关节生成 token,
多数现有工作中,让机器人边思考边行动" src="https://static.leiphone.com/uploads/new/images/20260601/6a1d795274f2a.jpg?imageView2/2/w/740"/>
![星海图新一代具身基础模型G0.5发布,前者无法跨本体共享知识,</p><h4>结语:从执行动作,G0.5(深色)在“语言跟随率”与“任务成功率”两项指标上,G0.5 也将支持在多种本体上的“开箱即用”部署,</p><p>▪零样本开箱即用:DROID(Franka)和 PP Bench(R1 Lite)两项零样本泛化实验表明,更长的任务时序中继续推进。2D 轨迹提示等推理结果,</p><p>这正是 G0.5 “言出法随”的开箱即用能力——一个模型,推理模块和动作模块被割裂在两套参数、当视线被机械臂短暂遮挡,过去的做法,</table></div></div></div><bdo dropzone=]()