諾因發布GLOW技術報告：實現機器人單次演示即完成的具身智慧
為何重要
GLOW 驗證�了在具身智慧領域，聚焦於「自回歸架構」與「高品質物理合成經驗」的技術路徑具有超越通用語言大模型控制的潛力。對產業而言，這意味著傳統依賴大量真實資料訓練的笨重方式可能被模擬資料驅動的精緻學習所改變；對開發者與投資人來說，值得關注具備物理模擬能力的模組是否能有效降低機器人的部署成本並提升泛化性。
在 GPT-6 引發廣泛討論的背景下，具身智慧廠商諾因發布 GLOW 生成式學習架構，旨在解決傳統機器人需重複採集資料才能學習新任務的痛點。
- GLOW 採用「一教就會」的邏輯，透過 KnowinGLOW 統一自回歸模型將視覺、空間推理、規劃與動作整合，讓機器人能理解人類單次操作中的空間關係與狀態變化。
- 系統包含四大模組：KnowinGLOW（中央大腦）、KnowinDream（合成具身經驗）、KnowinWorld（物理模擬推演）與 KnowinAgent（執行糾正），實現從經驗到行動的閉環。
- 競賽成績亮眼：在 LIBERO-Pro 測試中平均成功率高達 86.7%（較 GPT-6 Astra 提升 28.5%），在 RoboDojo 則為 62.2%（較基線提升 40%）。