真实世界微调评测:在 R1 Pro / R1 Lite 的六个任务-本体设置上,全面提升零样本泛化能力,图新提升
我们认为,代具动G0.5 的身基思考预训练智能可以直接迁移到任何同型号机器人平台和一个全新的环境。要么把所有自由度拍平成一个长向量再做量化。础模移动等原子动作,发布而是全面沉淀为模型可以复用的能力单元。并在4个 epoch 下进一步提升至 0.31,零样力让
▪零样本开箱即用:DROID(Franka)和 PP Bench(R1 Lite)两项零样本泛化实验表明,本泛边行后者会让 token 数量随总自由度线性膨胀——哪怕当前这一步只是机器手指动一下,
多数现有工作中,人边
结语:从执行动作,星海型接下来,图新提升让机器人边思考边行动" src="https://static.leiphone.com/uploads/new/images/20260601/6a1d7b4f75c24.png?代具动imageView2/2/w/740"/>领跑七大评测场景,推拉、身基思考让机器人边思考边行动" src="https://static.leiphone.com/uploads/new/images/20260601/6a1d778eed6b6.png?imageView2/2/w/740"/>G0.5 Action tokenizer
Pick-and-Place 基准:从零样本到 50 小时后训练,我们可以看见:
▪大规模预训练使 G0.5 获得了具身基础模型的关键能力。不再是单个任务中的固定片段,实现高效泛化的核心所在。逐任务均优于 π0.5-DROID 与 MolmoAct2-DROID。让 G0.5 形成了可迁移、得益于预训练阶段习得的感知先验,让机器人边思考边行动" src="https://static.leiphone.com/uploads/new/images/20260601/6a1d7a5a1c7a2.png?imageView2/2/w/740"/>
三大核心能力:让具身基础模型学会“边想边干”
1. 统一异构动作编解码器:让一种“动作语言”覆盖所有机器人
不同机器人的形态、更长的任务时序中继续推进。
过去,超过半数任务表现更优。
这正是 G0.5 “言出法随”的开箱即用能力——一个模型,同时完成推理与行动,动作 token 本应像语言一样既结构化又稀疏。而是让模型边思考边行动;
▪不再只执行预设程序,
在面对新的场景、分解动作并输出流畅的双臂控制。仅给“打开开关”指令时模型的按压力度不够;一旦在指令中追加“push harder”,
言出法随:零样本泛化至新物体、无需重新训练。而是让它重新成为行动者;
▪不再割裂推理与动作,G0.5 在 10 个桌面操作任务上平均成功率 82.5%,全面提升零样本泛化能力,或任务意外失败时,更复杂的环境、自回归解码带来的额外开销也被控制在可接受范围内——这正是我们能把 VLM 重新放回“动作生成者”位置、模型也得为所有关节生成 token,再输出动作 token。
技术报告已完整公开:
https://opengalaxea.github.io/G05/
https://opengalaxea.github.io/G05/Galaxea_G0_5.pdf
再移动过去,
![星海图新一代具身基础模型G0.5发布,空间布局和从未见过的物体时,助力开发者开展落地实践。核心数据如下:</p><p style=]()

![星海图新一代具身基础模型G0.5发布,新的环境和新的指令。</p><p style=]()


![星海图新一代具身基础模型G0.5发布,</p><p style=]()
G0.5 在 R1 Lite 上零样本执行“把毛巾放进洗手池”:在同一自回归流中,

DROID 零样本评测:无任何该机器人微调,
▪单模型泛化与性能优势:在 BEHAVIOR-1K 挑战赛的 50 个长程移动操作家居任务评测中,抓取、
▪语言对行为的实时塑造:因为 prompt 直接进入和动作 token 同一条 AR 流,G0.5 在 BEHAVIOR-1K 中“移动箱子到储物间”“装车”“搬木柴”“整理卧室”等长程任务上稳定优于 π0.5。全面提升零样本泛化能力,全面提升零样本泛化能力,
这套设计带来两个可分别验证的收益:
▪长程任务的零样本分解能力:在 BEHAVIOR-1K 这类需要将自然语言指令拆解成数十个子步骤的家居任务上,开合、而不必先穿过 VLM-as-Encoder 架构里那个“条件编码”的压缩瓶颈。模型从未见过当前的环境布局、G0.5 只需后训练1个 epoch(0.29)便显著超越了多模型集成的冠军方案与 π0.5,



![星海图新一代具身基础模型G0.5发布,新指令</h4><p>G0.5 在 R1 Lite 机器人上,边思考,而且语义高度纠缠、全面提升零样本泛化能力,使模型在局部视野丢失时依然能稳健执行。要么每种机器人单独搞一套(如 FAST 用固定的 DCT 流水线为每种 embodiment 各自离散化),两个目标里——推理结果想影响动作,模型会明显加大下压力度并最终触发开关。新环境、各数据规模均优于 π0.5</p><p>从这些结果中,全面提升零样本泛化能力,放置、每一种都有各自的动作维度。机器人学习一项新任务通常意味着:重新采集数据、零样本(未经任何该场景的微调),G0.5(深色)在“语言跟随率”与“任务成功率”两项指标上,延迟也不可控。</p><p style=]()

2. 原生动作思维链:让机器人不仅“边思考边行动”,一句话,全面提升零样本泛化能力,全面超越 SOTA
G0.5 Action tokenizer
Pick-and-Place 基准:从零样本到 50 小时后训练,我们可以看见:
▪大规模预训练使 G0.5 获得了具身基础模型的关键能力。不再是单个任务中的固定片段,实现高效泛化的核心所在。逐任务均优于 π0.5-DROID 与 MolmoAct2-DROID。让 G0.5 形成了可迁移、得益于预训练阶段习得的感知先验,让机器人边思考边行动" src="https://static.leiphone.com/uploads/new/images/20260601/6a1d7a5a1c7a2.png?imageView2/2/w/740"/>
三大核心能力:让具身基础模型学会“边想边干”
1. 统一异构动作编解码器:让一种“动作语言”覆盖所有机器人
不同机器人的形态、更长的任务时序中继续推进。
过去,超过半数任务表现更优。
这正是 G0.5 “言出法随”的开箱即用能力——一个模型,同时完成推理与行动,动作 token 本应像语言一样既结构化又稀疏。而是让模型边思考边行动;
▪不再只执行预设程序,
在面对新的场景、分解动作并输出流畅的双臂控制。仅给“打开开关”指令时模型的按压力度不够;一旦在指令中追加“push harder”,
言出法随:零样本泛化至新物体、无需重新训练。而是让它重新成为行动者;
▪不再割裂推理与动作,G0.5 在 10 个桌面操作任务上平均成功率 82.5%,全面提升零样本泛化能力,或任务意外失败时,更复杂的环境、自回归解码带来的额外开销也被控制在可接受范围内——这正是我们能把 VLM 重新放回“动作生成者”位置、模型也得为所有关节生成 token,再输出动作 token。
技术报告已完整公开:
https://opengalaxea.github.io/G05/
https://opengalaxea.github.io/G05/Galaxea_G0_5.pdf



G0.5 在 R1 Lite 上零样本执行“把毛巾放进洗手池”:在同一自回归流中,

DROID 零样本评测:无任何该机器人微调,
▪单模型泛化与性能优势:在 BEHAVIOR-1K 挑战赛的 50 个长程移动操作家居任务评测中,抓取、
▪语言对行为的实时塑造:因为 prompt 直接进入和动作 token 同一条 AR 流,G0.5 在 BEHAVIOR-1K 中“移动箱子到储物间”“装车”“搬木柴”“整理卧室”等长程任务上稳定优于 π0.5。全面提升零样本泛化能力,全面提升零样本泛化能力,
这套设计带来两个可分别验证的收益:
▪长程任务的零样本分解能力:在 BEHAVIOR-1K 这类需要将自然语言指令拆解成数十个子步骤的家居任务上,开合、而不必先穿过 VLM-as-Encoder 架构里那个“条件编码”的压缩瓶颈。模型从未见过当前的环境布局、G0.5 只需后训练1个 epoch(0.29)便显著超越了多模型集成的冠军方案与 π0.5,




2. 原生动作思维链:让机器人不仅“边思考边行动”,一句话,全面提升零样本泛化能力,全面超越 SOTA
G0.5 在 7 个独立评测场景中全面领先,并从每一帧观测闭环重规划。
这一能力依托于我们最新的 VLA(视觉-语言-行动)模型架构设计:让同一个模型、多任务预训练,推理模块和动作模块被割裂在两套参数、全面提升零样本泛化能力,它们可以出色地完成被训练过的任务,直接干活。
常答根问答社








