VLA 图库 / 模型列表 / 产业界模型

GO-1

GO-1 (Genie Operator-1)

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

VLA产业界模型3Bdiffusion

用从人类视频中学到的与embodiment无关的latent action进行规划，再由Action Expert转换为实际动作。

论文

AgiBot World Colosseo: A Large-scale Manipulation Platform for Scalable and Intelligent Embodied SystemsarXiv 2503.06669

概述

分类

产业界模型

类型

VLA

发布

2025-03

机构

AgiBot·HKU·Shanghai Innovation Institute·Shanghai AI Lab

权重公开

是

参数

3B(HF模型页面标注)；论文仅注明VLM InternVL2.5-2B

架构

主干LLM

InternLM2.5-1.8B · InternVL2.5-2B配置

视觉编码器

InternViT-300M

动作头

Latent Planner (24层) → 扩散Action Expert (diffusion)

动作块

30步

控制频率

未公开

架构原文摘要

ViLLA：InternVL2.5-2B VLM + Latent Planner(24层) + diffusion Action Expert；H=30 action chunk；latent action由基于VQ-VAE的LAM从人类视频中学习

训练

预训练加速器

未公开

预训练时长

未公开

预训练步数·批量

未公开

GPU·TPU-小时

未公开

微调

GPU·时间未公开；30,000 steps，batch 768，lr 2e-5；README显存：full ~70GB(batch 16，A100 80GB·H100)，仅Action Expert ~24GB(RTX 4090·A100 40GB)

数据类型

真实机器人遥操作 + 人类视频

数据规模

AgiBot World 1,001,552 traj(论文)/1,003,672 traj(GitHub Beta)，2,976.4 h，217 tasks，机器人100台，106 scenes，87 skills

主要数据集

AgiBot World(Alpha 92,214 traj，Beta)，Ego4D(latent action训练)

任务·评估

AgiBot G1真机任务(Restock Bag、Table Bussing、Pour Water、Restock Beverage、Fold Shorts、Wipe Table；每任务30 trials = seen 10 + 变化20)；比RDT高32%；AgiBot World预训练比OXE平均提升30%

机器人

AgiBot G1(7-DoF双臂，移动底盘，可调腰部；含6-DoF dexterous hand数据)

推理

推理设备·速度

README: 推理约7GB, RTX 4090;延迟未公开

推理显存

约7 GB (RTX 4090，README)

权重 bf16（计算）

6 GB

运行位置

未公开

强化学习与底盘

强化学习

未使用 · 潜在动作预训练 + 模仿学习

底盘控制

固定 · 未提及底盘（底座）·腰部动作（评估任务为桌面操作；底座仅在遥操作采集中提及）

备注

核心特点

用从人类视频中学到的与embodiment无关的latent action进行规划，再由Action Expert转换为实际动作。以AgiBot World 1,001,552条轨迹(2,976.4 h)训练，报告性能比RDT高32%。

备注

Fig. 5(b)的柱状数值(GO-1平均、RDT-1B、w/o Latent Planner)无法与原文文本对应，未采用。所属机构以论文第1页为准(OpenDriveLab为GitHub组织名，已在笔记中更正)。权重HF agibot-world/GO-1(CC BY-NC-SA 4.0)，2025-09-19开源。论文无GPU相关说明。

核验

已反映修正