10月29日，智元机器人推出新一代具身基座模型GO- 3 Preview。当前大语言模型已经具备较强的文本推理能力，但机器人想要在现实世界完成抓取、装配等实体工作，不仅需要“思考”，更要适配物理环境，处理物体接触、位置变化等现实问题，这也是具身智能技术需要攻克的核心难题。在此背景下，GO- 3 Preview实现预训练、后训练、部署后全链路规模化学习，并且拿下RoboDojo、RoboTwin、RoboColiseum三大行业评测榜单第一名，该模型计划在2026年底全面开源。

不同于传统模型仅依靠前期数据训练，智元提出，机器人智能不能只靠实验室训练数据，更要在真实作业场景中不断积累经验迭代优化。GO- 3 Preview依托全新的WRAM具身原生架构，打通任务理解、环境预判和实际动作输出，机器人看懂指令之后，可以预判环境接下来的变化，再输出适配现实场景的操作动作，整套学习分为预训练、后训练、部署后持续进化三个阶段。

预训练阶段：打好基础，实现陌生场景举一反三

日常生活里，同样是拿起水杯，杯子的样式、摆放位置千差万别。如果机器人只会记住固定动作，遇到场景变化就容易失效。预训练的目标，就是让机器人掌握通用本领，面对没见过的任务也可以快速上手。

GO- 3 Preview一方面吸收人类第一视角的操作视频，学习人与物体交互的逻辑;另一方面采集机器人自身操作轨迹，建立视觉观察、动作和物理结果之间的对应关系。

模型内部做了多项技术优化：简化视觉信息处理，降低画面数据运算压力;先预判场景接下来会发生什么，再规划机器人动作;同时筛选合理的预判结果，让预判和实际动作互相匹配。

经过预训练之后，机器人无需额外调试，在家居、厨房、多机协作、灵巧操作等场景就可以完成全新任务。只要少量人为示范，还能挑战煎饼果子制作、乐高拼装这类步骤繁琐、对精细度要求高的工作。

后训练阶段：虚实结合反复练习，模拟复盘提升实操水平

完成基础学习，不等于机器人就能胜任复杂工作，就像人学会基础动作后，依旧需要反复练习打磨技巧。在后训练环节，智元搭建混合训练系统，结合真实机器人、仿真虚拟环境与环境推演工具开展训练。

真实真机集群可以实现群体经验共享。上百台机器人同步开展作业，成功的操作可以被全体机器人借鉴，失败案例则标记出待优化的问题点，一台机器人踩过的坑，其他机器人也可以同步学习规避。

仿真虚拟环境能够低成本创造大量现实中难复现的场景，反复开展测试练习。同时借助环境推演工具，机器人仅凭一段真实操作记录，就可以模拟推演多种后续可能性，不用全部依靠真机试错，通过“想象试错”优化行动策略。

这套训练模式已经得到验证：桌面冰壶任务中，经过4小时迭代训练，机器人操作水平已经超过普通测试人员;堆叠抽积木游戏里，机器人能够连续抽出5块积木，同时保证高塔不会倒塌。

部署上线：在真实工作中自我迭代，边干活边升级

以往机器人落地后，如果遇到训练时没有见过的状况，大多需要工程师人工修改代码、补充数据，迭代效率较低。GO- 3 Preview希望改变这一模式，让已经上岗的机器人，在实际工作过程里持续自我优化。

智元搭建自进化框架，统一任务调用、执行、结果反馈的整套流程。机器人在工作中会自动记录任务成败案例，一方面把经验保存下来，遇到相似任务直接参考过往教训;另一方面把实际作业产生的操作数据用于模型更新，把实操收获固化成机器人的固有能力。

这套方案已经在商用机器人精灵G2上落地测试。该机器人在便利店执行真实业务，全程不需要人工实时介入调试。上线第一天完整任务完成率仅有28.6%，依靠持续积累实操经验，5天后任务成功率提升至85.7%。以挂小挂钩这一具体工作为例，机器人自己找到失败原因，调整操作顺序，任务成功率对比传统调优方式提升17.7个百分点，并且能力可以持续上涨，不会轻易陷入性能瓶颈。这也是行业内少有的，脱离仿真实验室，在真实商业场景完成机器人自主进化验证的项目。

行业意义：打通全链路，探索实体AI规模化成长路径

从早期GO- 1、GO- 2模型，到本次GO- 3 Preview发布，智元持续推进具身智能技术迭代。大模型依靠海量数据实现能力跃升已经被市场验证，但物理世界机器人如何复制规模化增长，一直是行业讨论焦点。

GO- 3 Preview给出的思路，就是把学习贯穿模型的整个生命周期：预训练搭建通用能力底座，后训练通过虚实结合打磨实操技巧，部署后依托真实业务源源不断获取新经验。当观察、行动、反馈形成闭环，机器人就可以不断拓宽能力边界，推动人形机器人从实验室走向真实的各类工作场景。