如果把训练数据增加 100 倍，机器人会不会开始做成原先做不到的事？
对于具身世界模型，这个问题指向一种可能：大语言模型身上那条“规模增长，能力随之提升”的 Scaling 路径，能否在机器人身上走通。
最近，智元发布的原生世界—动作模型 GE-Act 2.0，把这个问题变成了一组具体实验：将最后一阶段的训练数据从 300 小时增加到 3 万小时，观察机器人的能力怎样变化。
GE-Act 2.0 尝试的路线，是先预测任务执行过程中可能出现的未来视觉状态，再根据这些预测生成动作。其中，未来生成器和动作模型从随机初始化开始，在具身操作数据上预训练。
预训练完成后，模型直接在新场景、新物体上接受测试，不针对评测任务额外微调，也不提供额外示范。团队用 100 项原子任务、20 类技能、两种机器人本体，检验预训练带来的零样本操作能力。
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。
四档训练数据量（300 / 1,200 / 5,000 / 30,000 小时）下的任务表现：随着数据规模扩大，取得非零成功率的任务增多，整体成功率同步上升。
项目主页及论文：https://ge-act-v2.github.io/
原文链接：从300小时到3万小时，机器人到底学会了什么？世界模型GE-Act 2.0的Scaling实验
01 换一个场景，还能不能做？检验预训练的泛化能力
先看这组实验怎么测。
假设机器人接下来要整理桌面，我们可以先围绕桌子采集数据，再针对这个任务微调。模型的成绩很可能会变好，但这个结果，很难说明是模型对这个环境熟悉所以执行任务变好，还是它本身产生的智能带动结果变好。
GE-Act 2.0 关注的是：预训练结束以后，换一张桌子、换一批物体，机器人自己还能做到哪一步？
所以，这组实验以真机零样本（Zero-shot）表现作为核心评测指标。按团队的测试设置，场景、背景、光照和物体实例都没有出现在训练中，模型也不为这些评测任务额外微调或接受示范。
之后，团队沿用同一训练配方，将最后一阶段的联合训练数据设为 300、1,200、5,000 和 30,000 小时。每项任务在每种本体、每档数据规模下测试 10 次。随着数据增加，三种变化逐渐清晰：
**能做成的任务，开始变多。**取得非零成功率的任务，在 G1-OP 上从 39 项增至 76 项，在 G2-90D 上从 24 项增至 72 项。前面提到的折毛巾、嵌套纸杯等操作，在 G1-OP 的小数据规模测试中没有成功，到 3 万小时规模时出现了成功案例。整体成功率更高。G1-OP 从 17.1% 提升至 44.1%，G2-90D 从 13.4% 提升至 31.1%。从 5,000 小时继续增加到 30,000 小时，两种本体仍有提升，说明这组实验中增加数据的收益还在持续。
**数据少的本体也在受益。**G1-OP 贡献了超过 50% 的训练数据，G2-90D 的占比不足 2%，后者的总体成功率仍随共享数据扩大提升了 17.7 个百分点。这为通过共享训练实现跨本体迁移，提供了一个积极信号。
随着训练数据规模扩大，两种本体的多数技能持续提升。
零样本之外，团队还报告了微调后的基准测试：GE-Act 2.0 在 RoboTwin Hard 陌生环境测试中的成功率为 60.52%，在 GenieSim 指令遵循测试中的归一化平均分为 0.770，均高于 π0.5、GR00T N1.7 等参与比较的模型。
02 先预测未来，再生成动作，这件事怎么一起学？
看完结果，再看模型如何进行预训练。
假设我们告诉机器人：“把桌上的杯子拿起来。”传统动作模型会直接根据眼前的画面和这条指令，决定机械臂接下来怎么动。
GE-Act 2.0 在中间多加了一步：先预测拿起杯子时可能出现的未来画面，再让逆动力学模型（IDM）根据当前和未来的状态，推断应该执行什么动作。
世界模型预测的未来因此成为动作生成的依据。
已有的 WAM 路线，很多会从预训练视频生成器出发，再接入动作模型。这样可以借助视频模型已经学到的生成能力。GE-Act 2.0 则面向具身操作重新设计视觉表征，并从头预训练未来生成器和动作模型，尝试让这几部分一起随着数据规模增长。
但把它们放进同一套架构，还只是开始。画面怎么表示，未来怎么生成，预测和动作怎么对得上，都有具体问题要解决。
GE-Act 2.0 架构：压缩当前画面，预测未来视觉状态，再由逆动力学模型生成动作。
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。
以模型使用的 256×384 输入为例，一帧就有近 10 万个像素。后面的模型还要拿着从画面里提取的信息，一次次预测未来、生成动作。这份视觉表示越大，训练和推理的负担也就越重。
但对操作来说，杯子在哪里、手在怎么移动，这些信息又不能随便丢掉。
GE-Act 2.0 为此设计了视觉编码器 CoAE，把一帧画面压缩成 24 个视觉 token，数量只有 DINOv3 的十六分之一，同时保留语义、运动和局部结构信息。
那么问题来了，压缩以后，这些信息还够不够机器人判断动作？
论文做了两组检查。在动作恢复测试中，CoAE 的误差与 DINOv3、V-JEPA 2.1 等表征接近；在基于 5,000 条 GenieSim-Instruction 操作轨迹构建的受控测试中，指令—画面匹配准确率达到 97.95%，为五种对照表征中最佳。
也就是说，模型处理的视觉 token 大幅减少了，而这些测试所考察的动作信息和指令匹配能力，仍然得到了保留。后面的未来预测，也就有了一份更紧凑的视觉输入。
原生视觉规划器：让“怎么做”的误差，反馈给“怎么预测”
画面压缩之后，下一步是把世界模型和动作模型连起来。
世界模型预测拿起杯子的过程，IDM 根据这些未来状态生成动作。如果生成的动作有偏差，训练时就要把误差信号传回去，让前面的未来预测也能跟着调整。
问题出在这条训练链路的长度上。传统视频生成器往往需要多轮去噪，才能生成完整的未来。动作误差要穿过这段生成过程，计算和显存开销都会增加；实际推理时，机器人也需要等得更久。
GE-Act 2.0 的做法是一步式视觉规划：一次前向计算，就生成规划需要的未来视觉状态。这样，动作训练的误差信号也能通过预测结果，反馈给世界模型。
模型学习怎么行动的时候，也在学习怎样预测一个更有助于行动的未来。
这也带来了推理速度上的收益。据团队提供的测试数据，配合紧凑的视觉表征，GE-Act 2.0 在 RTX 5090 上生成一段连续动作（action chunk），耗时 104 毫秒。
联合训练方案：未来看着合理，动作却可能对不上
即便两个模型已经连起来，训练也未必就顺了。
还是拿杯子。指令只说“拿起来”，没有指定用哪只手。世界模型预测的是左手抓取，训练数据记录的却是右手抓取。
左手可以拿，右手也可以拿。两种做法分别看都说得通，但如果拿右手的动作去监督左手抓取的未来画面，训练信号就冲突了。
GE-Act 2.0 因此引入知识对齐选择性优化（KASO）。它让模型先预测几个可能的未来，再由动作模型判断：哪一个未来，和这条训练轨迹里的动作更一致？选出这个结果，再参与联合训练。
**关键在于，预测的未来能否对应上正在学习的动作。**所以 KASO 在动作空间里做比较，仅仅看两张画面像不像，还不足以作出选择。
论文在 G2-90D 上做了陌生场景（OOD）的四物体抓取消融测试。使用 300 小时数据进行联合训练时，相比直接端到端联合训练基线，KASO 让机器人选对指令目标的比例提高了 7.5 个百分点，完成抓取的成功率提高了 10 个百分点。
预测与动作之间这处容易被忽略的错位，最终影响的是机器人能不能把任务做好。
KASO 从多个预测未来中，选择与真实动作最一致的结果用于联合训练，减少未来预测与动作监督的错位。
03 遥操、无本体、Rollout、失败轨迹，这些数据怎么用起来？
说到这里，话题还要回到数据。
机器人训练和部署过程中留下的记录，往往没有那么整齐。有的视频拍下了人怎么操作，却没有机器人动作标注；有的轨迹记录了机器人怎么动，却没有文字指令；还有一些，记录的就是一次失败。
如果训练只接受带指令的成功示范，这些数据就很难充分利用。可它们里面明明还保留着不少信息：物体怎样移动，手做了什么，动作之后画面发生了怎样的变化。
GE-Act 2.0 把这些数据安排进了三个训练阶段。
**世界模型先看视频，学习环境会怎样变化。**这个阶段使用 3.9 万小时“指令—视频”数据，其中包含 3,000 小时无本体数据，也就是没有机器人动作标注的第一视角与人类操作视频。视频能呈现操作过程，因此即使缺少动作标注，也可以用来预训练世界模型。
**IDM 从轨迹里学：画面这样变，机器人做了什么？**这个阶段使用 3.2 万小时带动作记录的机器人轨迹，其中包含 2,000 小时失败操作与部署回流（rollout）数据。IDM 根据操作前后的画面预测动作，再用实际动作记录作监督。只要这些对应关系还在，就不要求轨迹额外带有文字指令或成功标签。
**再用完整数据，把预测未来和生成动作连起来。**最后使用 3 万小时“指令—视频—动作”数据联合训练，让世界模型和 IDM 一起优化。前面从 300 小时到 3 万小时的 Scaling 实验，改变的就是这一阶段的数据量。
这三个阶段的数据池存在重叠，小时数不能直接相加。但它们说明了一件事：不同完整程度的数据，可以分别用来学习不同的能力。
失败轨迹的价值，也就好理解了。比如一次抓取没有完成，机器人执行了哪些动作、画面随之发生了什么变化，仍然被记录了下来。IDM 可以继续从这些对应关系里学习。
任务失败了，这段经历里仍然有可用的信息。
对于持续产生部署数据的团队，这也是一个很实际的方向：让机器人每次执行留下的记录，有更多机会进入下一轮训练。
分阶段预训练
04 写在最后
再回到开头那个问题：数据从 300 小时增加到 3 万小时，机器人会多学会些什么？
GE-Act 2.0 给出的结果是，能做成的任务变多了，整体成功率提高了，数据占比少的本体也出现了明显进步。而在这组结果背后，视觉表征、未来预测、动作生成和数据利用，都需要为同一件事配合起来：让机器人学到的东西，最终能够用到操作上。
