GO-1

GO-1 (Genie Operator-1)

AgiBot·HKU·Shanghai Innovation Institute·Shanghai AI Lab · 2025-03

VLA産業界モデル3Bdiffusion

人の動画から学んだembodiment非依存のlatent actionで計画し、Action Expertが実際の行動に変換する。

論文

バックボーンLLM: InternLM2.5-1.8B · InternVL2.5-2B構成
ビジョンエンコーダ: InternViT-300M
アクションヘッド: Latent Planner (24層) → 拡散Action Expert (diffusion)
チャンク: 30ステップ
制御周期: 非公開
構造の原文要約: ViLLA: InternVL2.5-2B VLM + Latent Planner(24層) + diffusion Action Expert; H=30 action chunk; latent actionはVQ-VAEベースのLAMで人間の動画から学習

事前学習アクセラレータ: 非公開
事前学習期間: 非公開
事前学習ステップ・バッチ: 非公開
GPU・TPU時間: 非公開
ファインチューニング: GPU・時間は非公開; 30,000 steps、batch 768、lr 2e-5; READMEメモリ: full ~70GB(batch 16、A100 80GB・H100)、Action Expertのみ ~24GB(RTX 4090・A100 40GB)
データ種類: 実ロボットのテレオペレーション + 人の動画
データ規模: AgiBot World 1,001,552 traj(論文)/1,003,672 traj(GitHub Beta)、2,976.4 h、217 tasks、ロボット100台、106 scenes、87 skills
主要データセット: AgiBot World(Alpha 92,214 traj、Beta)、Ego4D(latent action学習)
タスク・評価: AgiBot G1実機課題(Restock Bag、Table Bussing、Pour Water、Restock Beverage、Fold Shorts、Wipe Table; 課題あたり30 trials = seen 10 + 変形20); RDT比+32%; AgiBot World事前学習がOXE比で平均30%向上
ロボット: AgiBot G1(7-DoF双腕、モバイルシャーシ、調整式腰; 6-DoF dexterous handデータを含む)

主な特徴: 人の動画から学んだembodiment非依存のlatent actionで計画し、Action Expertが実際の行動に変換する。AgiBot World 1,001,552軌跡(2,976.4 h)で学習し、RDT比で32%高い性能を報告した。
備考: Fig. 5(b)の棒グラフの数値(GO-1平均、RDT-1B、w/o Latent Planner)は原文テキストとの対応が確認できず不使用。所属は論文1ページ目に基づく(OpenDriveLabはGitHub組織名、ノートから修正)。重み HF agibot-world/GO-1(CC BY-NC-SA 4.0)、オープンソース公開 2025-09-19。論文にGPUの記述なし。
検証: 修正反映