IT之家10月30日消息，10月29日，智元正式推出预训练/后训练/部署后实现全链路规模化学习的具身模型——GO-3Preview。
该模型采用具身原生的WRAM(World Reasoning Action Model)架构，将任务推理、未来预测与动作生成连接起来，让机器人理解指令、预测未来，并生成可执行的动作。
该模型已于近日登顶RoboDojo、RoboTwin、RoboColiseum三大行业权威评测榜单，将于2026年底全面开源。
IT之家附官方介绍如下：
基于WRAM架构，GO-3Preview从数据与模型两个维度共同推进Scaling，让异构经验参与共同学习。数据维度解决“学什么、学得够不够广”：人类第一视角视频提供丰富的物体交互和任务过程，机器人轨迹则建立观测、动作与物理结果之间的联系。模型维度解决“如何承接和运用这些经验”：通过增强学习能力，把分散的经验组织起来，转化为可迁移的通用能力。
经过预训练，模型任务迁移与复杂技能适应能力更强，并在Zero-Shot(零样本)与Few-Shot(少样本)任务中得到检验。在家居、厨房、多机协作、灵巧操作场景里，不用额外微调，机器人就能直接完成陌生任务。
面对更复杂的任务，GO-3Preview可利用少量示范进一步学习，完成制作煎饼果子这样的长程精细任务。
乐高拼装要求准确抓取零件、找准位置并完成插合，经过微调的模型，机器人能够完成这些精细动作，并在智能体编排下将多个步骤衔接起来，完成拼装。
有了通用能力，并不意味着机器人就能直接胜任所有复杂任务。就像人学会基本动作后仍需反复练习，机器人也需要在不断尝试和反馈中改进策略。
在 GO-3Preview后训练阶段，智元构建分布式混合环境后训练系统Genie Evolver，依托百台真机，并结合物理仿真与世界模型，让机器人在实践中提升能力。
随着交互经验不断积累、动作策略持续更新，机器人的能力也随之提升：桌面冰壶中，经过4小时在线迭代，它的性能超过被测人类平均水平；抽积木塔可以连续抽取5块，还能保持整塔稳定。
进入GO-3Preview部署后阶段，智元通过具身Agent框架Genie Master，把判断、执行与反馈连接起来，让机器人能够实现部署后的自主改进，在真实作业中持续提升能力。
搭载该框架的精灵G2，在真实便利店上岗期间，不依赖人工示范与调试，自己定位失败原因、调整策略、沉淀经验，做到了在多个复杂精细任务上持续改进，实现“无人在环”的持续自我进化。
机器人完整任务流程成功率从首日28.6%，5天后稳定至85.7%。比如便利店机器人挂小挂钩，它自主定位问题、沉淀经验，调整动作时序，把失败记录变成动作指南。其单任务成功率相比常规微调(SFT)提升17.7个百分点，区别于后者容易出现瓶颈，它支持持续在线学习。
