GE-Act 2.0：機器人操控的世界行動模型預訓練與擴充套件研究
為何重要
GE-Act 2.0 挑戰了「繼承影片生成器」的現行架構，透過全新初始化與 KASO 機制提供了一條更精準的機器人基礎模型路徑；研究證實跨形態遷移的強大潛力，即使在小資料集（<2%）下也能帶來顯著效能提升，這將改進通用機器人從高成本少量訓練轉向大規模資料擴充的商業化路徑評估。
- 模型不依賴預訓練影片生成器，而是將控制導向自動編碼器、單步視覺規劃器和反動力模型在運算元據上從頭訓練，並以「知識對齊選擇最佳化」來解決監督訊號不匹配。
- 在未針對特定任務微調的情況下，將共同訓練資料從 300 小時擴增至 30,000 小時，使 G1-OP 的成功率從 17.1% 提升至 44.1%，並廣泛覆蓋 19/20 和 18/20 的技能群組。
- 儘管資料佔比不到 2% 的 G2-90D 任務透過跨形態遷移使模型提升 17.7 個百分點，且模型能以至少 90% 的成功率解析物體形狀、顏色與位置的指令。